一、创作背景

这学期python课程主要讲数据分析，在这个月的学习中，学习了自然语言处理，包括使用jieba进行分句、获取词性、统计词频，使用wordcloud绘制词云，使用matplotlib绘制统计图。根据老师作业要求（根据第1部分自然语言处理教学内容，请选择一本你喜欢的小说，利用上课讲的但不限于授课内容，对该小说进行分析。比如分析该小说的分词，词频， # 词性，小说人物出场次数排序，小说中食物排序（这个得有，我喜欢吃），小说人物关系等等。 # 要求：1代码以py文件附件形式上传，有功能性注释和普通注释。 # 2.功能介绍和运行结果截图可以在作业里写上。 # 3.小说文件用txt形式存储。 # 4.最后视功能完整性给分.）完成编写。

二、主要功能

1.人物出场顺序的的统计

2.食物出场排序的统计

3.创建人物关系的可视化图

4.绘制词云

三、功能详解

1.对句子进行中文分词，词频，词性统计，并去除停顿词和字符

def seg_depart(path,total):# 无符号文本outstr = ''# 创建一个停用词列表,停顿词放到了stopword.txt文件中stopwords = open_text('.\stopword.txt')# # 对文档中的每一行进行中文分词with open(path,'r',encoding='utf-8') as text:for line in text:sentence_depart = pseg.cut(line.strip())for word,flag in sentence_depart:    #将文件中所有的标点符号去除if word not in stopwords and word != '\t' and word != '' and len(word) >=2 and word.isdigit()!=True:total[(word,flag)] = total.get((word,flag),0) + 1outstr += word#将分词保存到txt文件中with open('./全职高手分词词频词性.txt','w',encoding='utf-8') as text1:#将total中的元素进行排序，再运用循环写入文件items1 = list(total.items())items1.sort(key=lambda x: x[1], reverse=True)for key,value in items1:text1.write('%s,%s,%d\n' %(key[0],key[1],value))with open('./纯净版全职高手.txt','w',encoding='utf-8') as text2:text2.write(outstr)return total

2.对人物出场次数排序

def character_sequence(total):sequence = {}#使用循环对total中的分词进行合并，将表示同一个人的词合并到一起（小说中人物太多，只列举部分）for key,value in total.items():if key[1]=='nr':if key[0] == '叶修' or key[0] == '君莫笑' or key[0] == '老叶' or key[0] == '无敌最俊朗':word = '叶修'elif key[0] == '苏沐橙' or key[0] == '沐雨橙风' or key[0] == '沐沐' or key[0] == '沐橙':word = '苏沐橙'elif key[0] == '方锐' or key[0] == '海无量':word = '方锐'elif key[0] == '唐柔' or key[0] == '寒烟柔' or key[0] == '小唐' :word = '唐柔'elif key[0] == '乔一帆' or key[0] == '一寸灰' or key[0] == '一帆':word = '乔一帆'elif key[0] == '包荣兴' or key[0] == '包子入侵' or key[0] == '包子':word = '包荣兴'elif key[0] == '罗辑' or key[0] == '昧光':word = '罗辑'elif key[0] == '莫凡' or key[0] == '毁人不倦':word = '莫凡'elif key[0] == '安文逸' or key[0] == '小手冰凉':word = '安文逸'elif key[0] == '陈果' or key[0] == '逐烟霞' or key[0] == '果果':word = '陈果'elif key[0] == '魏琛' or key[0] == '迎风布阵' or key[0] == '老魏' :word = '魏琛'elif key[0] == '孙翔' or key[0] == '一叶知秋':word = '孙翔'elif key[0] == '韩文清' or key[0] == '大漠孤烟':word ='韩文清'elif key[0] == '喻文州' or key[0] == '索克萨尔':word = '喻文州'elif key[0] == ' 黄少天' or key [0] == '夜雨声烦' or key[0] == '少天' or key[0] == '黄少':word = '黄少天'elif key[0] == '王杰希' or key[0] == '王不留行' or key[0] == '王大眼':word = '王杰希'else:word = key[0]# 字典的get方法，查找是否有键word,有则返回其对应键值，没有则返回后面的值0sequence[word] = sequence.get(word,0) + value# 剔除掉已经找出的不是人名的多频率词for word in excludes:if sequence.get(word,0) > 0:del sequence[word]# 根据字典值从大到小排序sequence_new = sorted(sequence.items(),key=lambda x:x[1],reverse=True)with open('./全职高手人物出场次数排序.txt','w',encoding='utf-8') as f:for name,num in sequence_new:f.write('%s,%d\n' %(name,num))

3.小说中食物排序

def food_sequence(total):sequence = {}#这里提前统计了大部分小说中的食物，保存到txt文件中，使用循环统计出现次数food = open_text('./全职高手食物.txt')for key,value in total.items():if key[0] in food and key[0] not in sequence:sequence[key[0]] = valuewith open('./全职高手食物排序.txt','w',encoding='utf-8') as f:for word,value in sequence.items():f.write('%s,%d\n' %(word,value))

4.随机生成颜色,保存颜色列表，在绘制人物关系图中需要使用

# 随机生成颜色
colorNum = len(open_text('./全职高手人物.txt'))
def randomcolor():#随机生成颜色的16进制表示形式，如#FFA25CcolorArr = ['1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D', 'E', 'F']color = ""for i in range(6):color += colorArr[random.randint(0, 14)]return "#" + color# 颜色存储列表
def color_list():colorList = []for i in range(colorNum):colorList.append(randomcolor())return colorList

5.生成人物关系图

# 生成人物关系图
def creat_relationship(path):# 人物节点颜色colors = color_list()Names = open_text('./全职高手人物.txt')relations = {}# 按段落划分，假设在同一段落中出现的人物具有共现关系lst_para = open_text(path)  # lst_para是每一段for text in lst_para:for name_0 in Names:if name_0 in text:for name_1 in Names:if name_1 in text and name_0 != name_1 and (name_1, name_0) not in relations:relations[(name_0, name_1)] = relations.get((name_0, name_1), 0) + 1maxRela = max([v for k, v in relations.items()])relations = {k: v / maxRela for k, v in relations.items()}# return relationsplt.figure(figsize=(15, 15))# 创建无多重边无向图G = nx.Graph()for k, v in relations.items():G.add_edge(k[0], k[1], weight=v)# 筛选权重大于0.6的边elarge = [(u, v) for (u, v, d) in G.edges(data=True) if d['weight'] > 0.6]# 筛选权重大于0.3小于0.6的边emidle = [(u, v) for (u, v, d) in G.edges(data=True) if (d['weight'] > 0.3) & (d['weight'] <= 0.6)]# 筛选权重小于0.3的边esmall = [(u, v) for (u, v, d) in G.edges(data=True) if d['weight'] <= 0.3]# 设置图形布局pos = nx.spring_layout(G)  # 用Fruchterman-Reingold算法排列节点（样子类似多中心放射状）# 设置节点样式nx.draw_networkx_nodes(G, pos, alpha=0.8, node_size=1300, node_color=colors)# 设置大于0.6的边的样式nx.draw_networkx_edges(G, pos, edgelist=elarge, width=2.5, alpha=0.9, edge_color='g')# 0.3~0.6nx.draw_networkx_edges(G, pos, edgelist=emidle, width=1.5, alpha=0.6, edge_color='y')# <0.3nx.draw_networkx_edges(G, pos, edgelist=esmall, width=1, alpha=0.4, edge_color='b', style='dashed')nx.draw_networkx_labels(G, pos, font_size=14)plt.title("《全职高手》主要人物社交关系网络图")# 关闭坐标轴plt.axis('off')# 保存图表plt.savefig('./全职高手人物关系图', bbox_inches='tight')plt.show()

6.绘制词云

def GetWordCloud():path_txt = './纯净版全职高手.txt'path_img = './全职高手.png'f = open(path_txt,'r',encoding='utf-8').read()background_image = imread(path_img)# background_image = np.array(Image.open(path_img))cut_text = " ".join(jieba.cut(f))wordcloud = WordCloud(background_color="white",  # 设置背景颜色mask = background_image,  #设置背景图片max_words=400,  #width=600,height=800,# stopwords = "", #设置停用词font_path="./simfang.ttf",# 设置中文字体，使得词云可以显示（词云默认字体是“DroidSansMono.ttf字体库”，不支持中文），不加这个的话显示口型乱码max_font_size=50,  # 设置字体最大值min_font_size=10,random_state=30,  # 设置有多少种配色方案margin=2,)# 生成词云wc = wordcloud.generate(cut_text)# 展示词云图# 生成颜色值image_colors = ImageColorGenerator(background_image)plt.imshow(wordcloud.recolor(color_func=image_colors), interpolation="bilinear")plt.axis("off")plt.show()wc.to_file('./wordcloud.jpg')  # 保存图片

7.完成分词、词频、词性的可视化处理

# 分词,词频,词性的可视化图
def create_wordPhotograph(total):# 创建绘图对象，figsize参数可以指定绘图对象的宽度和高度，单位为英寸，一英寸=80pxplt.figure(figsize=(9, 6))Y = []sign = []c = Counter(total).most_common(10)for word,num in c:Y.append(num)sign.append(word[0]+"_"+word[1])plt.bar(np.arange(10) , Y, width=0.3, facecolor='yellow', edgecolor='white')plt.xticks(np.arange(10), sign)i = 0X = np.arange(10)for x, y in zip(X, Y):plt.text(x + 0.15, y + 0.1, '%d' % (Y[i]), ha='center', va='bottom')i = i + 1plt.xlabel(u"分词词性Top10")plt.ylabel(u"词频数")plt.title(u"分词词频词性可视化图")plt.savefig('./分词词频词性可视化图.jpg',bbox_inches='tight')plt.show()

小说中人物的出场次序和食物排序的可视化，可以参照词频的可视化进行编写。

四、完整的代码

# 开发时间: 2022/3/29 15:10
# 开发人：张鹏翔
# 功能：根据第1部分自然语言处理教学内容，请选择一本你喜欢的小说，利用上课讲的但不限于授课内容，对该小说进行分析。比如分析该小说的分词，词频，
#      词性，小说人物出场次数排序，小说中食物排序（这个得有，我喜欢吃），小说人物关系等等。
#      要求：1代码以py文件附件形式上传，有功能性注释和普通注释。
#           2.功能介绍和运行结果截图可以在作业里写上。
#           3.小说文件用txt形式存储。
#           4.最后视功能完整性给分.
import random
import networkx as nx
from imageio import imread
from wordcloud import WordCloud,ImageColorGenerator
import jieba
import jieba.posseg as pseg  # 获取词性
from collections import Counter
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.font_manager import FontProperties# 解决中文乱码，Python实现matplotlib显示中文的方法
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
font = FontProperties(fname=r"C:\Python\src\python与数据分析\simfang.ttf", size=14)excludes = ['乐章','小姑娘','荣耀','易拉灌','易容术','明白','全明星','蓝溪阁','季后赛','本赛季','砰砰','和兴欣','上赛季','华丽','司仪','西风','连胜','银武','周旋','马踏','安静','大屏幕','和嘉世','修正','了兴欣','卫星','谢谢','呼啸山庄','马甲','明星','英勇','真是太','冷不丁','小精灵','高潮','太久','布阵','祝福','段时间','格斗','高水平','言语','别提','冷笑','晓枪','白痴','赛中','顾忌','越来越近','封锁','小镇','贡献度','高阶','嘉世']# 打开文本
def open_text(path):with open(path,'r',encoding='utf-8') as f:return [line.strip() for line in f.readlines()]# 对句子进行中文分词,词频，词性,并生成去除停用词和字符的小说文本
def seg_depart(path,total):# 无符号文本outstr = ''# 创建一个停用词列表stopwords = open_text('.\stopword.txt')# # 对文档中的每一行进行中文分词with open(path,'r',encoding='utf-8') as text:for line in text:sentence_depart = pseg.cut(line.strip())for word,flag in sentence_depart:    #将文件中所有的标点符号去除if word not in stopwords and word != '\t' and word != '' and len(word) >=2 and word.isdigit()!=True:total[(word,flag)] = total.get((word,flag),0) + 1outstr += word#将分词保存到txt文件中with open('./全职高手分词词频词性.txt','w',encoding='utf-8') as text1:#将total中的元素进行排序，再运用循环写入文件items1 = list(total.items())items1.sort(key=lambda x: x[1], reverse=True)for key,value in items1:text1.write('%s,%s,%d\n' %(key[0],key[1],value))with open('./纯净版全职高手.txt','w',encoding='utf-8') as text2:text2.write(outstr)return total# 人物出场次数排序
def character_sequence(total):sequence = {}for key,value in total.items():if key[1]=='nr':if key[0] == '叶修' or key[0] == '君莫笑' or key[0] == '老叶' or key[0] == '无敌最俊朗':word = '叶修'elif key[0] == '苏沐橙' or key[0] == '沐雨橙风' or key[0] == '沐沐' or key[0] == '沐橙':word = '苏沐橙'elif key[0] == '方锐' or key[0] == '海无量':word = '方锐'elif key[0] == '唐柔' or key[0] == '寒烟柔' or key[0] == '小唐' :word = '唐柔'elif key[0] == '乔一帆' or key[0] == '一寸灰' or key[0] == '一帆':word = '乔一帆'elif key[0] == '包荣兴' or key[0] == '包子入侵' or key[0] == '包子':word = '包荣兴'elif key[0] == '罗辑' or key[0] == '昧光':word = '罗辑'elif key[0] == '莫凡' or key[0] == '毁人不倦':word = '莫凡'elif key[0] == '安文逸' or key[0] == '小手冰凉':word = '安文逸'elif key[0] == '陈果' or key[0] == '逐烟霞' or key[0] == '果果':word = '陈果'elif key[0] == '魏琛' or key[0] == '迎风布阵' or key[0] == '老魏' :word = '魏琛'elif key[0] == '孙翔' or key[0] == '一叶知秋':word = '孙翔'elif key[0] == '韩文清' or key[0] == '大漠孤烟':word ='韩文清'elif key[0] == '喻文州' or key[0] == '索克萨尔':word = '喻文州'elif key[0] == ' 黄少天' or key [0] == '夜雨声烦' or key[0] == '少天' or key[0] == '黄少':word = '黄少天'elif key[0] == '王杰希' or key[0] == '王不留行' or key[0] == '王大眼':word = '王杰希'else:word = key[0]# 字典的get方法，查找是否有键word,有则返回其对应键值，没有则返回后面的值0sequence[word] = sequence.get(word,0) + value# 剔除掉已经找出的不是人名的多频率词for word in excludes:if sequence.get(word,0) > 0:del sequence[word]# 根据字典值从大到小排序sequence_new = sorted(sequence.items(),key=lambda x:x[1],reverse=True)with open('./全职高手人物出场次数排序.txt','w',encoding='utf-8') as f:for name,num in sequence_new:f.write('%s,%d\n' %(name,num))# 小说食物排序
def food_sequence(total):sequence = {}food = open_text('./全职高手食物.txt')for key,value in total.items():if key[0] in food and key[0] not in sequence:sequence[key[0]] = valuewith open('./全职高手食物排序.txt','w',encoding='utf-8') as f:for word,value in sequence.items():f.write('%s,%d\n' %(word,value))# 随机生成颜色
colorNum = len(open_text('./全职高手人物.txt'))
def randomcolor():#随机生成颜色的16进制表示形式，如#FFA25CcolorArr = ['1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D', 'E', 'F']color = ""for i in range(6):color += colorArr[random.randint(0, 14)]return "#" + color# 颜色存储列表
def color_list():colorList = []for i in range(colorNum):colorList.append(randomcolor())return colorList# 生成人物关系图
def creat_relationship(path):# 人物节点颜色colors = color_list()Names = open_text('./全职高手人物.txt')relations = {}# 按段落划分，假设在同一段落中出现的人物具有共现关系lst_para = open_text(path)  # lst_para是每一段for text in lst_para:for name_0 in Names:if name_0 in text:for name_1 in Names:if name_1 in text and name_0 != name_1 and (name_1, name_0) not in relations:relations[(name_0, name_1)] = relations.get((name_0, name_1), 0) + 1maxRela = max([v for k, v in relations.items()])relations = {k: v / maxRela for k, v in relations.items()}# return relationsplt.figure(figsize=(15, 15))# 创建无多重边无向图G = nx.Graph()for k, v in relations.items():G.add_edge(k[0], k[1], weight=v)# 筛选权重大于0.6的边elarge = [(u, v) for (u, v, d) in G.edges(data=True) if d['weight'] > 0.6]# 筛选权重大于0.3小于0.6的边emidle = [(u, v) for (u, v, d) in G.edges(data=True) if (d['weight'] > 0.3) & (d['weight'] <= 0.6)]# 筛选权重小于0.3的边esmall = [(u, v) for (u, v, d) in G.edges(data=True) if d['weight'] <= 0.3]# 设置图形布局pos = nx.spring_layout(G)  # 用Fruchterman-Reingold算法排列节点（样子类似多中心放射状）# 设置节点样式nx.draw_networkx_nodes(G, pos, alpha=0.8, node_size=1300, node_color=colors)# 设置大于0.6的边的样式nx.draw_networkx_edges(G, pos, edgelist=elarge, width=2.5, alpha=0.9, edge_color='g')# 0.3~0.6nx.draw_networkx_edges(G, pos, edgelist=emidle, width=1.5, alpha=0.6, edge_color='y')# <0.3nx.draw_networkx_edges(G, pos, edgelist=esmall, width=1, alpha=0.4, edge_color='b', style='dashed')nx.draw_networkx_labels(G, pos, font_size=14)plt.title("《全职高手》主要人物社交关系网络图")# 关闭坐标轴plt.axis('off')# 保存图表plt.savefig('./全职高手人物关系图', bbox_inches='tight')plt.show()def GetWordCloud():path_txt = './纯净版全职高手.txt'path_img = './全职高手.png'f = open(path_txt,'r',encoding='utf-8').read()background_image = imread(path_img)# background_image = np.array(Image.open(path_img))cut_text = " ".join(jieba.cut(f))wordcloud = WordCloud(background_color="white",  # 设置背景颜色mask = background_image,  #设置背景图片max_words=400,  #width=600,height=800,# stopwords = "", #设置停用词font_path="./simfang.ttf",# 设置中文字体，使得词云可以显示（词云默认字体是“DroidSansMono.ttf字体库”，不支持中文），不加这个的话显示口型乱码max_font_size=50,  # 设置字体最大值min_font_size=10,random_state=30,  # 设置有多少种配色方案margin=2,)# 生成词云wc = wordcloud.generate(cut_text)# 展示词云图# 生成颜色值image_colors = ImageColorGenerator(background_image)plt.imshow(wordcloud.recolor(color_func=image_colors), interpolation="bilinear")plt.axis("off")plt.show()wc.to_file('./wordcloud.jpg')  # 保存图片# 分词,词频,词性的可视化图
def create_wordPhotograph(total):# 创建绘图对象，figsize参数可以指定绘图对象的宽度和高度，单位为英寸，一英寸=80pxplt.figure(figsize=(9, 6))Y = []sign = []c = Counter(total).most_common(10)for word,num in c:Y.append(num)sign.append(word[0]+"_"+word[1])plt.bar(np.arange(10) , Y, width=0.3, facecolor='yellow', edgecolor='white')plt.xticks(np.arange(10), sign)i = 0X = np.arange(10)for x, y in zip(X, Y):plt.text(x + 0.15, y + 0.1, '%d' % (Y[i]), ha='center', va='bottom')i = i + 1plt.xlabel(u"分词词性Top10")plt.ylabel(u"词频数")plt.title(u"分词词频词性可视化图")plt.savefig('./分词词频词性可视化图.jpg',bbox_inches='tight')plt.show()# 人物出场次序排序可视化图
def create_CharacterPhotograph():# 创建绘图对象，figsize参数可以指定绘图对象的宽度和高度，单位为英寸，一英寸=80pxplt.figure(figsize=(9, 6))Y = []sign = []i = 0text = open_text('./全职高手人物出场次数排序.txt')for t in text:if i<10:tt = t.split(',')Y.append(int(tt[1]))sign.append(tt[0])i+=1plt.bar(np.arange(10) , Y, width=0.3, facecolor='green', edgecolor='white')plt.xticks(np.arange(10), sign)i = 0X = np.arange(10)for x, y in zip(X, Y):plt.text(x + 0.15, y + 0.1, '%d' % (Y[i]), ha='center', va='bottom')i = i + 1plt.xlabel(u"出场人物Top10")plt.ylabel(u"出场次数")plt.title(u"人物出场次序排序可视化图")plt.savefig('./人物出场次序排序可视化图.jpg',bbox_inches='tight')plt.show()# 小说食物排序可视化图
def create_foodPhotograph():# 创建绘图对象，figsize参数可以指定绘图对象的宽度和高度，单位为英寸，一英寸=80pxplt.figure(figsize=(9, 6))Y = []sign = []i = 0text = open_text('./全职高手食物排序.txt')for t in text:if i < len(text):tt = t.split(',')Y.append(int(tt[1]))sign.append(tt[0])i += 1plt.bar(np.arange(len(text)), Y, width=0.3, facecolor='blue', edgecolor='white')plt.xticks(np.arange(len(text)), sign)i = 0X = np.arange(len(text))for x, y in zip(X, Y):plt.text(x + 0.15, y + 0.1, '%d' % (Y[i]), ha='center', va='bottom')i = i + 1plt.xlabel(u"出场食物名")plt.ylabel(u"出场次数")plt.title(u"食物出场排序可视化图")plt.savefig('./食物出场排序可视化图.jpg', bbox_inches='tight')plt.show()
def main():total = {}jieba.load_userdict("./全职高手用户字典.txt")total = seg_depart("./全职高手.txt",total)#character_sequence(total)#food_sequence(total)#creat_relationship("./全职高手.txt")#GetWordCloud()create_wordPhotograph(total)create_CharacterPhotograph()create_foodPhotograph()main()

五、效果图

六、总结

通过这次的作业项目一方面起到了总结这四周的学习效果，另一方面暴露出了自己在学习上的不足之处。由于疫情的原因导致学校进行线上教学，个人上课时的效率有所下降，对老师上课讲的内容不能及时操作实践。计算机编程的学习最主要的还是动手能力，既要不断学习新的知识也要积极动手实践操作，只停留在理论基础上并不能带来很好的学习效果。希望在接下来几周的学习中能有更好更多的收获。

对全职高手的自然语言处理相关推荐

没想到你竟然是这样的全职高手 | 从文本挖掘聊起
有这样一部网文~火遍大江南北,人物形象饱满,现实世界.网游世界.职业联赛三个世界线并行,且不同世界线之间互动丰富.交叉紧密,还号称网文界的"CP百科全书"~它就是<全职高手& ...
python文本挖掘试卷_使用Python进行文本挖掘：没想到你竟是这样的全职高手...
源 / 数据团学社文/ 聚聚有这样一部网文~火遍大江南北,人物形象饱满,现实世界.网游世界.职业联赛三个世界线并行,且不同世界线之间互动丰富.交叉紧密,还号称网文界的"CP百科全书&quo ...
基于python文本挖掘实战_使用Python进行文本挖掘：没想到你竟是这样的全职高手......
为了提取小说中的关键词,我们需要一个工具--jieba分词.名字很形象哈,结-巴~!来看看怎么用~ i.导入jieba包,写一句话,作为分词的素材. 1import jieba 2txt = '大夏天 ...
NLP自然语言处理工具小结
20220331 https://zhuanlan.zhihu.com/p/79202151 BM25 https://github.com/v1shwa/document-similarity wo ...
我爱自然语言处理bert ner chinese
BERT相关论文.文章和代码资源汇总 4条回复 BERT最近太火,蹭个热点,整理一下相关的资源,包括Paper, 代码和文章解读. 1.Google官方: 1) BERT: Pre-training ...
自然语言处理课程（二）：Jieba分词的原理及实例操作
上节课,我们学习了自然语言处理课程(一):自然语言处理在网文改编市场的应用,了解了相关的基础理论.接下来,我们将要了解一些具体的.可操作的技术方法. 作为小说爱好者的你,是否有设想过通过一些计算机工具 ...
基于TensorRT的BERT实时自然语言理解（下）
基于TensorRT的BERT实时自然语言理解(下) BERT Inference with TensorRT 请参阅Python脚本bert_inference.py还有详细的Jupyter not ...
基于TensorRT的BERT实时自然语言理解（上）
基于TensorRT的BERT实时自然语言理解(上) 大规模语言模型(LSLMs)如BERT.GPT-2和XL-Net为许多自然语言理解(NLU)任务带来了最先进的精准飞跃.自2018年10月发布以来 ...
自然语言推理：微调BERT
自然语言推理:微调BERT Natural Language Inference: Fine-Tuning BERT SNLI数据集上的自然语言推理任务设计了一个基于注意力的体系结构.现在通过微调BE ...

对全职高手的自然语言处理