摘要
前言 在上一节中，我们已经详细讲解了关于循环神经网络的知识内容，那么在这一节我们将要使用这个网络去训练一个NER。首先要说的是，和其它的基于深度学习的解决方案一样，解决这类问题也不是仅仅限于一种模型结构。由于深度学习是一种渴望End-to-End的训练方式的解决方案，所以其结构仍然会关注于“输入”、“输出”、“网络结构”、“损失函数”这4个要素，而特征与逻辑都是网络中靠丰富的感知器来获得的。
对不起，该文章为付费内容，购买后才可阅读
立即购买
请登录后发表评论
登录
全部评论
人人都是NLP应用专家
- 目录
- 开篇词：人人都是NLP应用专家
- 1 语言与文字
- 1.1 英文、中文、日文等的区别
- 1.2 分词技术与算法
- 1.2.1 正向最大匹配法
- 1.2.2 基于HMM的分词法
- 1.2.3 用户词典
- 2.1 TF-IDF
- 2.3 逻辑回归算法
- 3.2 神经网络的通俗理解
- 3.3 神经网络的训练
- 3.4 神经网络为什么这么强
- 5.2.1 卷积神经网络
- 5.2.1.1 卷积
- 5.2.2 用TextCNN做文本分类
- 5.2.1.3 卷积层
- 5.2.1.4 池化层
- 6 命名实体识别应用
- 6.1 循环神经网络
- 6.2 基于循环神经网络的NER
- 6.3 基于NER的自动填单系统小试
- 7 知识图谱
- 7.1 关系挖掘
- 7.2 关系保存
- 7.3 应用场景简介
- 8 语言模型简介
- 8.1 Attention（注意力机制）和Transformer
- 8.2 ELMo
- 8.3 BERT模型介绍
- 深度学习是什么
- Word2vec
- Doc2vec技术
