NLP 百问百答

作者：杨夕、芙蕖、李玲、陈海顺、twilight、LeoLRH、JimmyDU、艾春辉、张永泰、金金金

面筋地址：https://github.com/km1994/NLP-Interview-Notes

个人笔记：https://github.com/km1994/nlp_paper_study

介绍

本项目是作者们根据个人面试和经验总结出的自然语言处理(NLP)面试准备的学习笔记与资料，该资料目前包含 自然语言处理各领域的 面试题积累。

目录架构

一【关于 基础算法篇】那些你不知道的事

• 【关于 过拟合和欠拟合】那些你不知道的事

• 一、过拟合和欠拟合 是什么？

• 二、过拟合/高方差（overfiting / high variance）篇

• 2.1 过拟合是什么及检验方法？

• 2.2 导致过拟合的原因是什么？

• 2.3 过拟合的解决方法是什么？

• 三、欠拟合/高偏差（underfiting / high bias）篇

• 3.1 欠拟合是什么及检验方法？

• 3.2 导致欠拟合的原因是什么？

• 3.3 过拟合的解决方法是什么？

• 【关于 BatchNorm vs LayerNorm】那些你不知道的事

• 一、动机篇

• 1.1 独立同分布（independent and identically distributed）与白化

• 1.2 （ Internal Covariate Shift，ICS）

• 1.3 ICS问题带来的后果是什么？

• 二、Normalization 篇

• 2.1 Normalization 的通用框架与基本思想
  

• 三、Batch Normalization 篇

• 3.1 Batch Normalization（纵向规范化）是什么？

• 3.2 Batch Normalization（纵向规范化）存在什么问题？

• 3.3 Batch Normalization（纵向规范化）适用的场景是什么？

• 3.4 BatchNorm 存在什么问题？

• 四、Layer Normalization（横向规范化） 篇

• 4.1 Layer Normalization（横向规范化）是什么？

• 4.2 Layer Normalization（横向规范化）有什么用？

• 五、BN vs LN 篇

• 六、主流 Normalization 方法为什么有效？

• 【关于 激活函数】那些你不知道的事

• 一、动机篇

• 1.1 为什么要有激活函数？
  

• 二、激活函数介绍篇

• 2.1 sigmoid 函数篇

• 2.1.1 什么是 sigmoid 函数？

• 2.1.2 为什么选 sigmoid 函数 作为激活函数？

• 2.1.3 sigmoid 函数 有什么缺点？

• 2.2 tanh 函数篇

• 2.2.1 什么是 tanh 函数？

• 2.2.2 为什么选 tanh 函数 作为激活函数？

• 2.2.3 tanh 函数 有什么缺点？

• 2.3 relu 函数篇

• 2.3.1 什么是 relu 函数？

• 2.3.2 为什么选 relu 函数 作为激活函数？

• 2.3.3 relu 函数 有什么缺点？

• 三、激活函数选择篇

• 【关于 正则化】那些你不知道的事

• 一、L0，L1，L2正则化 篇

• 1.1 正则化 是什么？

• 1.2 什么是 L0 正则化 ？

• 1.3 什么是 L1 （稀疏规则算子 Lasso regularization）正则化 ？

• 1.4 什么是 L2 正则化（岭回归 Ridge Regression 或者 权重衰减 Weight Decay）正则化 ？

• 二、对比篇

• 2.1 什么是结构风险最小化？

• 2.2 从结构风险最小化的角度理解L1和L2正则化

• 2.3 L1 vs L2

• 三、dropout 篇

• 3.1 什么是 dropout？

• 3.2 dropout 在训练和测试过程中如何操作？

• 3.3 dropout 如何防止过拟合?

• 【关于 优化算法及函数】那些你不知道的事

• 一、动机篇

• 1.1 为什么需要 优化函数？

• 1.2 优化函数的基本框架是什么?

• 二、优化函数介绍篇

• 2.1 梯度下降法是什么?

• 2.2 随机梯度下降法是什么?

• 2.3 Momentum 是什么?

• 2.4 SGD with Nesterov Acceleration 是什么?

• 2.5 Adagrad 是什么?

• 2.6 RMSProp/AdaDelta 是什么？

• 2.7 Adam 是什么?

• 2.8 Nadam 是什么?

• 三、优化函数学霸笔记篇

• 【关于 归一化】那些你不知道的事

• 一、动机篇

• 1.1 为什么要归一化？
  

• 二、介绍篇

• 2.1 归一化 有 哪些方法？

• 2.2 归一化 各方法 特点？

• 2.3 归一化 的 意义？

• 三、应用篇

• 3.1 哪些机器学习算法 需要做 归一化？

• 3.2 哪些机器学习算法 不需要做 归一化？

• 【关于 判别式（discriminative）模型 vs. 生成式(generative)模型】 那些你不知道的事

• 一、判别式模型篇

• 1.1 什么是判别式模型？

• 1.2 判别式模型是思路是什么？

• 1.3 判别式模型的优点是什么？

• 二、生成式模型篇

• 2.1 什么是生成式模型？

• 2.2 生成式模型是思路是什么？

• 2.3 生成式模型的优点是什么？

• 2.4 生成式模型的缺点是什么？

二【关于 机器学习算法篇】那些你不知道的事

• 【关于 逻辑回归】那些你不知道的事

• 一、介绍篇

• 1.1什么是逻辑回归

• 1.2逻辑回归的优势

• 二、推导篇

• 2.1逻辑回归推导

• 2.2求解优化

• 【关于 支持向量机】 那些你不知道的事




• 一、原理篇

• 1.1 什么是SVM？

• 1.2 SVM怎么发展的？

• 1.3 SVM存在什么问题？

• 二、算法篇

• 2.1 什么是块算法？

• 2.2 什么是分解算法？

• 2.3 什么是序列最小优化算法？

• 2.4 什么是增量算法？

• 三、其他SVM篇

• 3.1 什么是最小二次支持向量机？

• 3.2 什么是模糊支持向量机？

• 3.3 什么是粒度支持向量机？

• 3.4 什么是多类训练算法？

• 3.5 什么是孪生支持向量机？

• 3.6 什么是排序支持向量机？

• 四、应用篇

• 4.1 模式识别

• 4.2 网页分类

• 4.3 系统建模与系统辨识

• 4.4 其他

• 五、对比篇

• 六、拓展篇

• 【关于 集成学习】那些你不知道的事

• 一、动机

• 二、集成学习介绍篇

• 2.1 介绍篇

• 2.1.1 集成学习的基本思想是什么？

• 2.1.2 集成学习为什么有效？

• 三、 Boosting 篇

• 3.1 用一句话概括 Boosting？

• 3.2 Boosting 的特点是什么？

• 3.3 Boosting 的基本思想是什么？

• 3.4 Boosting 的特点是什么？

• 3.5 GBDT 是什么？

• 3.6 Xgboost 是什么？

• 四、Bagging 篇

• 4.1 用一句话概括 Bagging？

• 4.2 Bagging 的特点是什么？

• 4.3 Bagging 的基本思想是什么？

• 4.4 Bagging 的基分类器如何选择？

• 4.5 Bagging 的优点 是什么？

• 4.6 Bagging 的特点是什么？

• 4.7 随机森林 是什么？

• 五、 Stacking 篇

• ‍5.1 用一句话概括 Stacking ？

• 5.2 Stacking 的特点是什么？

• 5.3 Stacking 的基本思路是什么？‍

• 六、常见问题篇

• 6.1 为什么使用决策树作为基学习器？

• 6.2 为什么不稳定的学习器更适合作为基学习器？

• 6.3 哪些模型适合作为基学习器？

• 6.4 Bagging 方法中能使用线性分类器作为基学习器吗？Boosting 呢？

• 6.5 Boosting/Bagging 与 偏差/方差 的关系？

• 七、对比篇

• 7.1 LR vs GBDT?

• 7.1.1 从机器学习三要素的角度

• 7.1.1.1 从模型角度

• 7.1.1.2 从策略角度

• 7.1.1.2.1 从 Loss 角度

• 7.1.1.2.2 从 特征空间 角度

• 7.1.1.2.3 从 正则 角度

• 7.1.1.3 从算法角度

• 7.1.2 从特征的角度

• 7.1.2.1 特征组合

• 7.1.2.2 特特征的稀疏性
  

• 7.1.3 数据假设不同

• 7.1.3.1 LR

• 7.1.3.2 GBDT

• 参考

•         

三、【关于 深度学习算法篇】那些你不知道的事

• 【关于 CNN 】那些你不知道的事

• 一、动机篇

• 二、CNN 卷积层篇

• 2.1 卷积层的本质是什么？

• 2.2 CNN 卷积层与全连接层的联系？

• 2.3 channel的含义是什么？

• 三、CNN 池化层篇

• 3.1 池化层针对区域是什么？

• 3.2 池化层的种类有哪些？

• 3.3 池化层的作用是什么？

• 3.4 池化层 反向传播 是什么样的？

• 3.5 mean pooling 池化层 反向传播 是什么样的？

• 3.6 max pooling 池化层 反向传播 是什么样的？

• 四、CNN 整体篇

• 4.1 CNN 的流程是什么？

• 4.2 CNN 的特点是什么？

• 4.3 卷积神经网络为什么会具有平移不变性？

• 4.4 卷积神经网络中im2col是如何实现的？

• 4.5 CNN 的局限性是什么？

• 五、Iterated Dilated CNN 篇

• 5.1 什么是 Dilated CNN 空洞卷积？

• 5.2 什么是 Iterated Dilated CNN？

• 六、反卷积 篇

• 6.1 解释反卷积的原理和用途？

• 【关于 Attention 】那些你不知道的事

• 一、seq2seq 篇

• 1.1 seq2seq （Encoder-Decoder）是什么？

• 1.2 seq2seq 中 的 Encoder 怎么样？

• 1.3 seq2seq 中 的 Decoder 怎么样？

• 1.4 在 数学角度上 的 seq2seq ，你知道么？

• 1.5 seq2seq 存在 什么 问题？

• 二、Attention 篇

• 2.1 什么是 Attention?

• 2.2 为什么引入 Attention机制？

• 2.3 Attention 有什么作用？

• 2.4 Attention 流程是怎么样？

• 步骤一 执行encoder (与 seq2seq 一致)

• 步骤二 计算对齐系数 a

• 步骤三 计算上下文语义向量 C

• 步骤四 更新decoder状态

• 步骤五 计算输出预测词

• 2.5 Attention 的应用领域有哪些？

• 三、Attention 变体篇

• 3.1 Soft Attention 是什么？

• 3.2 Hard Attention 是什么？

• 3.3 Global Attention 是什么？

• 3.4 Local Attention 是什么？

• 3.5 self-attention 是什么？

• 【关于 Transformer面试题】那些你不知道的事

• 一、Transformer 问题篇

• 二、每个问题的解决方法是什么？

• 1.1 既然 Transformer 怎么牛逼，是否还存在一些问题？

• 2.1.1 Transformer 固定了句子长度？

• 2.1.2 Transformer 固定了句子长度 的目的是什么？

• 2.1.3 Transformer 针对该问题的处理方法？

• 2.1 问题一：Transformer 不能很好的处理超长输入问题

• 2.2 问题二：Transformer 方向信息以及相对位置 的 缺失 问题

• 2.3 问题三：缺少Recurrent Inductive Bias

• 问题四：问题四：Transformer是非图灵完备的：非图灵完备通俗的理解，就是无法解决所有的问题

• 问题五：transformer缺少conditional computation；

• 问题六：transformer 时间复杂度 和 空间复杂度 过大问题；

• 一、动机篇

• 二、整体结构篇

• 三、模块篇

• 1.1 为什么要有 Transformer?

• 1.2 Transformer 作用是什么？

• 2.1 Transformer 整体结构是怎么样？

• 2.2 Transformer-encoder 结构怎么样？

• 2.3 Transformer-decoder 结构怎么样?

• 3.6.1 什么是 Mask？

• 3.6.2 Transformer 中用到 几种 Mask？

• 3.6.3 能不能介绍一下 Transformer 中用到几种 Mask？

• 3.5.1 为什么要 加入 Layer normalization 模块？

• 3.5.2 Layer normalization 模块的是什么？

• 3.5.3 Batch normalization 和 Layer normalization 的区别？

• 3.5.4 Transformer 中为什么要舍弃 Batch normalization 改用 Layer normalization 呢?

• 3.5.5 Layer normalization 模块代码介绍

• 3.4.1 为什么要 加入 残差模块？

• 3.3.1 为什么要 加入 位置编码（Position encoding） ？

• 3.3.2 位置编码（Position encoding）的思路是什么 ？

• 3.3.3 位置编码（Position encoding）的作用是什么 ？

• 3.3.4 位置编码（Position encoding）的步骤是什么 ？

• 3.3.5 Position encoding为什么选择相加而不是拼接呢？

• 3.3.6 Position encoding和 Position embedding的区别？

• 3.3.7 为何17年提出Transformer时采用的是 Position Encoder 而不是Position Embedding？而Bert却采用的是 Position Embedding ？

• 3.3.8 位置编码（Position encoding）的代码介绍

• 3.2.1 multi-head attention 的思路是什么样?

• 3.2.2 multi-head attention 的步骤是什么样?

• 3.2.3 Transformer为何使用多头注意力机制？（为什么不使用一个头）

• 3.2.4 为什么在进行多头注意力的时候需要对每个head进行降维？

• 3.2.5 multi-head attention 代码介绍

• 3.1.1 传统 attention 是什么?

• 3.1.2 为什么 会有self-attention?

• 3.1.3 self-attention 的核心思想是什么?

• 3.1.4 self-attention 的目的是什么?

• 3.1.5 self-attention 的怎么计算的?

• 3.1.6 self-attention 为什么Q和K使用不同的权重矩阵生成，为何不能使用同一个值进行自身的点乘？

• 3.1.7 为什么采用点积模型的 self-attention 而不采用加性模型？

• 3.1.8 Transformer 中在计算 self-attention 时为什么要除以 \sqrt{d}d？

• 3.1.9 self-attention 如何解决长距离依赖问题？

• 3.1.10 self-attention 如何并行化？

• 3.1 self-attention 模块

• 3.2 multi-head attention 模块

• 3.3 位置编码（Position encoding）模块

• 3.4 残差模块模块

• 3.5 Layer normalization 模块

• 3.6 Mask 模块

• 【关于 Transformer】那些你不知道的事

• 【关于 Transformer 问题及改进】那些你不知道的事

• 【关于 生成对抗网络 GAN 】 那些你不知道的事

• 3.1 生成器介绍

• 3.2 判别器介绍

• 3.3 训练过程

• 3.4 训练所涉及相关理论基础

• 2.1 GAN 的基本思想

• 2.2 GAN 基本介绍

• 2.2.1 GAN 的基本结构

• 2.2.2 GAN 的基本思想

• 一、动机

• 二、介绍篇

• 三、训练篇

• 四、总结

四【关于 NLP 学习算法】那些你不知道的事

4.1 【关于 信息抽取】那些你不知道的事

4.1.1 【关于 命名实体识别】那些你不知道的事

• 【关于 HMM->MEMM->CRF】那些你不知道的事

• 6.1 CRF模型 和 HMM和MEMM模型 区别？

• 5.1 CRF 动机篇

• 5.2 CRF 介绍篇

• 5.3 CRF 优缺点篇

• 5.4 CRF 复现？

• 5.1.1 HMM 和 MEMM 存在什么问题？

• 5.2.1 什么是 CRF?

• 5.2.2 CRF 的 主要思想是什么？

• 5.2.3 CRF 的定义是什么?

• 5.2.4 CRF 的 流程是什么？

• 5.3.1 CRF 的 优点在哪里？

• 5.3.2 CRF 的 缺点在哪里？

• 4.1 最大熵马尔科夫模型（MEMM）动机篇

• 4.2 最大熵马尔科夫模型（MEMM）介绍篇

• 4.3 最大熵马尔科夫模型（MEMM）问题篇

• 4.1.1 HMM 存在 什么问题？

• 4.2.1 最大熵马尔科夫模型（MEMM） 是什么样？

• 4.2.2 最大熵马尔科夫模型（MEMM） 如何解决 HMM 问题？

• 3.1 隐马尔科夫算法 介绍篇

• 3.2 隐马尔科夫算法 模型计算过程篇

• 3.3 隐马尔科夫算法 问题篇

• 3.1.1 隐马尔科夫算法 是什么？

• 3.1.2 隐马尔科夫算法 中 两个序列 是什么？

• 3.1.3 隐马尔科夫算法 中 三个矩阵 是什么？

• 3.1.4 隐马尔科夫算法 中 两个假设 是什么？

• 3.1.5 隐马尔科夫算法 中 工作流程 是什么？

• 3.2.1 隐马尔科夫算法 学习训练过程 是什么样的？

• 3.2.2 隐马尔科夫算法 序列标注（解码）过程 是什么样的？

• 3.2.3 隐马尔科夫算法 序列概率过程 是什么样的？

• 2.1 什么是 马尔可夫过程？

• 2.2 马尔可夫过程 的核心思想 是什么？

• 1.1 什么是概率图模型？

• 1.2 什么是 随机场？

• 一、基础信息 介绍篇

• 二、马尔可夫过程 介绍篇

• 三、隐马尔科夫算法 篇

• 四、最大熵马尔科夫模型（MEMM）篇

• 五、条件随机场（CRF）篇

• 六、对比篇

• 【关于 DNN-CRF】那些你不知道的事

• 4.1 CNN-CRF vs BiLSTM-CRF vs IDCNN-CRF?

• 4.2 为什么 DNN 后面要加 CRF?

• 4.3 CRF in TensorFlow V.S. CRF in discrete toolkit？

• 3.1 基于深度学习的命名实体识别方法 相比于 基于机器学习的命名实体识别方法的优点？

• 3.2 基于深度学习的命名实体识别方法 的 结构是怎么样？

• 3.3 分布式输入层 是什么，有哪些方法？

• 3.4 文本编码器篇

• 3.5 标签解码器篇

• 3.4.2.1 什么是 Dilated CNN？

• 3.4.2.2 为什么会有 Dilated CNN？

• 3.4.2.3 Dilated CNN 的优点？

• 3.4.2.4 IDCNN-CRF 介绍

• 3.4.1.1 什么是 BiLSTM-CRF？

• 3.4.1.2 为什么要用 BiLSTM？

• 3.4.1 BiLSTM-CRF 篇

• 3.4.2 IDCNN-CRF 篇

• 3.5.1 标签解码器是什么？

• 3.5.2 MLP+softmax层 介绍？

• 3.5.3 条件随机场CRF层 介绍？

• 3.5.4 循环神经网络RNN层 介绍？

• 3.5.3 指针网路层 介绍？

• 2.1 基于规则的命名实体识别方法是什么？

• 2.2 基于无监督学习的命名实体识别方法是什么？

• 2.3 基于特征的监督学习的命名实体识别方法是什么？

• 1.1 命名实体识别 评价指标 是什么？

• 一、基本信息

• 二、传统的命名实体识别方法

• 三、基于深度学习的命名实体识别方法

• 四、对比 篇

• 【关于 中文领域 NER】 那些你不知道的事

• 3.1 什么是 词汇/实体类型信息增强？

• 3.2 为什么说 「词汇/实体类型信息增强」 方法对于中文 NER 任务有效呢？

• 3.3 词汇/实体类型信息增强 方法有哪些？

• 3.4 什么是 LEX-BERT ？

• 2.1 什么是 词汇增强？

• 2.2 为什么说 「词汇增强」 方法对于中文 NER 任务有效呢？

• 2.3 词汇增强 方法有哪些？

• 2.4 Dynamic Architecture

• 2.5 Adaptive Embedding 范式

• 2.4.1 什么是 Dynamic Architecture？

• 2.4.2 常用方法有哪些？

• 2.4.3 什么是 Lattice LSTM ，存在什么问题？

• 2.4.4 什么是 FLAT ，存在什么问题？

• 2.5.1 什么是 Adaptive Embedding 范式？

• 2.5.2 常用方法有哪些？

• 2.5.3 什么是 WC-LSTM ，存在什么问题？

• 1.1 中文命名实体识别 与 英文命名实体识别的区别？

• 一、动机篇

• 二、词汇增强篇

• 三、词汇/实体类型信息增强篇

• 【关于 命名实体识别 trick 】那些你不知道的事

• 7.1 什么是实体嵌套？

• 7.2 与 传统命名实体识别任务的区别

• 7.3 解决方法：

• 7.3.1 方法一：序列标注

• 7.3.2 方法二：指针标注

• 7.3.3 方法三：多头标注

• 7.3.4 方法四：片段排列

• trick 1：领域词典匹配

• trick 2：规则抽取

• trick 3：词向量选取：词向量 or 字向量？

• trick 4：特征提取器 如何选择？

• trick 5：专有名称 怎么 处理？【注：这一点来自于 命名实体识别的几点心得 】

• trick 6：标注数据 不足怎么处理？【这个问题可以说是现在很多小厂最头疼的问题】

• trick 7：嵌套命名实体识别怎么处理 【注：参考 资料3】

• trick 8：为什么说 「词汇增强」 方法对于中文 NER 任务有效？

• trick 9：NER实体span过长怎么办？

• trick 10: NER 标注数据噪声问题？

• trick 11：给定两个命名实体识别任务，一个任务数据量足够，另外一个数据量很少，可以怎么做？

• trick 12：NER 标注数据不均衡问题？

4.1.2 【关于 关系抽取】那些你不知道的事

• 【关于 关系抽取】那些你不知道的事

• 3.1 文档级关系抽取与经典关系抽取有何区别？

• 3.2 文档级别关系抽取中面临什么样的问题？

• 3.3 文档级关系抽取的方法有哪些？

• 3.4 文档级关系抽取常见数据集有哪些以及其评估方法？

• 3.3.1 基于BERT-like的文档关系抽取是怎么做的？

• 3.3.2 基于graph的文档关系抽取是怎么做的？

• 2.1 模板匹配方法是指什么？有什么优缺点？

• 2.2 远监督关系抽取是指什么？它有什么优缺点？

• 2.3 什么是关系重叠？复杂关系问题？

• 2.4 联合抽取是什么？难点在哪里？

• 2.5 联合抽取总体上有哪些方法？各有哪些缺点？

• 2.6 介绍基于共享参数的联合抽取方法？

• 2.7 介绍基于联合解码的联合抽取方法？

• 2.8 实体关系抽取的前沿技术和挑战有哪些？如何解决低资源和复杂样本下的实体关系抽取？

• 依存结构树：End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures

• 指针网络，Going out on a limb: Joint Extraction of Entity Mentions and Relations without Dependency Trees

• Copy机制+seq2seq：Extracting Relational Facts by an End-to-End Neural Model with Copy Mechanism19]

• 多头选择机制+sigmoid：Joint entity recognition and relation extraction as a multi-head selection problem

• SPO问题+指针网络，Joint Extraction of Entities and Relations Based on a Novel Decomposition Strategy

• 多轮对话+强化学习 ：Entity-Relation Extraction as Multi-Turn Question Answering

• 输入端的片段排列：Span-Level Model for Relation Extraction

• 输出端的片段排列：SpERT：Span-based Joint Entity and Relation Extraction with Transformer Pre-training

• Joint extraction of entities and relations based on a novel tagging scheme

• Joint Extraction of Entities and Overlapping Relations Using Position-Attentive Sequence Labeling

• Joint extraction of entities and relations based on a novel tagging scheme

• 1.1 什么是关系抽取？

• 1.2 关系抽取技术有哪些类型？

• 1.3 常见的关系抽取流程是怎么做的？

• 一、动机篇

• 二、经典关系抽取篇

• 三、文档级关系抽取篇

4.1.3 【关于 事件抽取】那些你不知道的事

• 【关于 事件抽取】那些你不知道的事

• 7.1 事件抽取论文综述

• 7.2 事件抽取常见问题

• 5.1 事件抽取和命名实体识别（即实体抽取）有什么异同？

• 5.2 事件抽取和关系抽取有什么异同？

• 5.3 什么是事理图谱？有哪些事件关系类型？事理图谱怎么构建？主要技术领域及当前发展热点是什么？

• 4.1 事件抽取中常见的英文数据集有哪些？

• 4.2 事件抽取中常见的中文数据集有哪些？

• 4.3 事件抽取的评价指标是什么？怎么计算的？

• 3.1 模式匹配方法怎么用在事件抽取中?

• 3.2 统计机器学习方法怎么用在事件抽取中?

• 3.3 深度学习方法怎么用在事件抽取中?

• 2.1 触发词检测

• 2.2 类型识别

• 2.3 角色识别

• 2.4 论元检测

• 2.1.1 什么是触发词检测？

• 2.1.2 触发词检测有哪些方法？

• 2.2.1 什么是类型识别？

• 2.2.2 类型识别有哪些方法？

• 2.3.1 什么是角色识别？

• 2.3.2 角色识别有哪些方法？

• 2.4.1 什么是论元检测？

• 2.4.2 论元检测有哪些方法？

• 1.1 什么是事件？

• 1.2 什么是事件抽取？

• 1.3 ACE测评中事件抽取涉及的几个基本术语及任务是什么？

• 1.4 事件抽取怎么发展的？

• 1.5 事件抽取存在什么问题？

• 一、原理篇

• 二、基本任务篇

• 三、常见方法篇

• 四、数据集及评价指标篇

• 五、对比篇

• 六、应用篇

• 七、拓展篇

4.2 【关于 NLP 预训练算法】那些你不知道的事

• 【关于TF-idf】那些你不知道的事

• 2.1 什么是 TF-IDF？

• 2.2 TF-IDF 如何评估词的重要程度？

• 2.3 TF-IDF 的思想是什么？

• 2.4 TF-IDF 的计算公式是什么？

• 2.5 TF-IDF 怎么描述？

• 2.6 TF-IDF 的优点是什么？

• 2.7 TF-IDF 的缺点是什么？

• 2.8 TF-IDF 的应用？

• 1.1 为什么有 one-hot ？

• 1.2 one-hot 是什么?

• 1.3 one-hot 有什么特点?

• 1.4 one-hot 存在哪些问题?

• 一、one-hot 篇

• 二、TF-IDF 篇

• 【关于word2vec】那些你不知道的事

• 4.1 word2vec训练trick，window设置多大？

• 4.1 word2vec训练trick，词向量纬度，大与小有什么影响，还有其他参数？

• 3.1 word2vec和NNLM对比有什么区别？（word2vec vs NNLM）

• 3.2 word2vec和tf-idf 在相似度计算时的区别？

• 2.1 Word2vec 中 霍夫曼树 是什么？

• 2.2 Word2vec 中 为什么要使用 霍夫曼树？

• 2.3 Word2vec 中使用 霍夫曼树 的好处？

• 2.4 为什么 Word2vec 中会用到 负采样？

• 2.5 Word2vec 中会用到 负采样 是什么样？

• 2.6 Word2vec 中 负采样 的采样方式？

• 1.1 Wordvec 指什么?

• 1.2 Wordvec 中 CBOW 指什么?

• 1.3 Wordvec 中 Skip-gram 指什么?

• 1.4 CBOW vs Skip-gram 哪一个好？

• 一、Wordvec 介绍篇

• 二、Wordvec 优化篇

• 三、Wordvec 对比篇

• 四、word2vec 实战篇

• 【关于FastText】那些你不知道的事

• 3.1 为什么要用 层次化Softmax回归(Hierarchical Softmax) ？

• 3.2 层次化Softmax回归(Hierarchical Softmax) 的思想是什么？

• 3.3 层次化Softmax回归(Hierarchical Softmax) 的步骤？

• 2.1 引言

• 2.2 fastText 是什么?

• 2.3 fastText 的结构是什么样?

• 2.4 为什么 fastText 要使用词内的n-gram信息(subword n-gram information)?

• 2.5 fastText 词内的n-gram信息(subword n-gram information) 介绍?

• 2.6 fastText 词内的n-gram信息 的 训练过程?

• 2.7 fastText 词内的n-gram信息 存在问题?

• 1.1 word-level Model 是什么？

• 1.2 word-level Model 存在什么问题？

• 1.3 Character-Level Model 是什么？

• 1.4 Character-Level Model 优点？

• 1.5 Character-Level Model 存在问题？

• 1.6 Character-Level Model 问题的解决方法？

• 一、fastText 动机篇

• 二、 词内的n-gram信息(subword n-gram information) 介绍篇

• 三、 层次化Softmax回归(Hierarchical Softmax) 介绍篇

• 四、fastText 存在问题？

• 【关于Elmo】那些你不知道的事

• 3.1 Elmo 存在的问题是什么？

• 2.1 Elmo 的 特点？

• 2.2 Elmo 的 思想是什么？

• 1.1 为什么会有 Elmo？

• 一、Elmo 动机篇

• 二、Elmo 介绍篇

• 三、Elmo 问题篇

• 【关于Bert】那些你不知道的事

• 一、动机

• 二、本文框架

• 三、前言

• 四、配置类 （Config）

• 五、特征实例类 （InputExample）

• 六、数据预处理类

• 七、基于 Bert 的 文本相似度 模型

• 八、Bert 相似度 模型 使用

• 九、总结

• 6.2.1 数据格式

• 6.2.2 数据预处理类

• 6.1 DataProcessor

• 6.2 文本相似度任务 文本预处理 （SimProcessor）

• 一、动机

• 二、本文框架

• 三、前言

• 四、配置类 （Config）

• 五、特征实例类 （InputExample）

• 六、Bert 句向量 类 （BertVector）

• 七、Bert 句向量 生成 实例

• 八、总结

• 一、动机

• 二、本文框架

• 三、前言

• 四、参数解析

• 五、输入数据实例

• 六、特定任务数据处理

• 七、examples转换成features （file_based_convert_examples_to_features）

• 八、创建模型

• 九、主入口

• 十、总结

• 6.1 数据处理 接口

• 6.2 推理任务 数据集处理

• 6.3 二分类任务 数据集处理

• 7.1 单例转化

• 7.2 单例转化

• 8.1 create_model 创建 分类模型

• 8.2 model_fn_builder

• 一、动机

• 二、本文框架

• 三、前言

• 四、原始语料 预处理模块 （tokenization.py）

• 五、训练数据生成（create_pretraining_data.py）

• 六、预训练

• 七、测试

• 八、总结

• 4.1 动机

• 4.2 类别

• 4.3 BasicTokenizer

• 4.4 WordpieceTokenizer

• 4.5 FullTokenizer

• 5.7.1 介绍

• 5.7.2 代码解析

• 5.6.1 作用

• 5.6.2 代码讲解

• 5.6.3 流程

• 5.1 作用

• 5.2 参数设置

• 5.3 main 入口

• 5.4 定义训练样本类 (TrainingInstance)

• 5.5 构建训练实例 (create_training_instances)

• 5.6 从 document 中抽取 实例（create_instances_from_document）

• 5.7 随机MASK（create_masked_lm_predictions）

• 5.8 保存instance（write_instance_to_example_files）

• 6.1 Masked LM 训练 (get_masked_lm_output)

• 6.2 获取 next sentence prediction（下一句预测） 部分的 loss 以及 log probs (get_next_sentence_output)

• 一、动机

• 二、本文框架

• 三、前言

• 四、配置类 BertConfig

• 五、获取 词向量 （Embedding_lookup）

• 六、词向量 的后处理 （embedding_postprocessor）

• 七、创建 attention mask （attention_mask）

• 八、注意力层（attention layer）

• 九、Transformer

• 十、入口函数 BertModel()

• 十一、总结

• 6.1 介绍

• 6.2 特点

• 6.3 代码实现

• 7.1 作用

• 7.2 代码

• 8.2.1 思路

• 8.2.2 步骤

• 8.1.1 动机

• 8.1.2 传统 Attention

• 8.1.3 核心思想

• 8.1.4 目的

• 8.1.5 公式

• 8.1.6 步骤

• 8.1 自注意力层（self-attention）

• 8.2 多头自注意力 （Multi-Headed Attention）

• 8.3 代码讲解

• 8.4 代码流程总结

• 8.5 对比总结

• 9.1 介绍

• 9.2 模型实现

• 9.3 思路分析

• 10.1 模型实现

• 10.2 流程介绍

• 一、动机篇

• 二、Bert 篇

• 三、 对比篇？

• 1.1 【演变史】one-hot 存在问题?

• 1.2【演变史】wordvec 存在问题?

• 1.3【演变史】fastText 存在问题?

• 1.4【演变史】elmo 存在问题?

• 2.5.1 【BERT】BERT的两个预训练任务对应的损失函数是什么(用公式形式展示)？

• 2.4.1 【BERT】为什么 Bert 需要 fine-turning？

• 2.4.2 【BERT】 Bert 如何 fine-turning？

• 2.3.1 【BERT】Bert 预训练任务介绍

• 2.3.2 【BERT】Bert 预训练任务 之 Masked LM 篇

• 2.3.3 【BERT】Bert 预训练任务 之 Next Sentence Prediction 篇

• 2.3.2.1 【BERT】 Bert 为什么需要预训练任务 Masked LM ？

• 2.3.2.2 【BERT】 Bert 预训练任务 Masked LM 怎么做？

• 2.3.2.3 【BERT】 Bert 预训练任务 Masked LM 存在问题？

• 2.3.2.4 【BERT】 预训练和微调之间的不匹配的解决方法？

• 2.3.3.1 【BERT】Bert 为什么需要预训练任务 Next Sentence Prediction ？

• 2.3.3.2 【BERT】 Bert 预训练任务 Next Sentence Prediction 怎么做？

• 2.2.1 【BERT】Bert 输入输出表征长啥样？

• 2.1.1【BERT】Bert 是什么?

• 2.1.2【BERT】Bert 三个关键点？

• 2.1 Bert 介绍篇

• 2.2 Bert 输入输出表征篇

• 2.3 【BERT】Bert 预训练篇

• 2.4 【BERT】 fine-turning 篇？

• 2.5 【BERT】 Bert 损失函数篇？

• 3.1 【对比】多义词问题是什么？

• 3.2 【对比】word2vec 为什么解决不了多义词问题？

• 3.3 【对比】GPT和BERT有什么不同？

• 3.4 【对比】为什么 elmo、GPT、Bert能够解决多义词问题？（以 elmo 为例）

• 【关于Bert】那些你不知道的事

• 【关于 Bert 源码解析I 之 主体篇】那些你不知道的事

• 【关于 Bert 源码解析II 之 预训练篇】那些你不知道的事

• 【关于 Bert 源码解析III 之 微调篇】那些你不知道的事

• 【关于 Bert 源码解析IV 之 句向量生成篇】那些你不知道的事

• 【关于 Bert 源码解析V 之 文本相似度篇】那些你不知道的事

• 【关于 小 Bert 模型系列算法】那些你不知道的事

• 一、动机

• 二、论文思路

• 三、模型框架讲解【以单句分类任务为例】

• 四、Data Augmentation for Distillation

• 五、单句分类任务 实验结果分析

• 六、总结

• 3.2.1 TextRNN 模型构建

• 3.2.2 TextCNN 模型构建

• 3.1 Teacher 模型（Bert） 微调

• 3.2 Student 模型（TextCNN、TextRNN）构建

• 3.3 Distillation Objective

• 5.1 数据集介绍

• 5.2 实验结果分析

• 一、Bert 模型压缩 动机篇

• 二、Bert 模型压缩对比表

• 三、 Bert 模型压缩方法介绍

• 四、模型压缩存在问题？

• 3.4.1 什么是剪枝？

• 3.3.1 什么是量化？

• 3.3.2 Q-BERT: Hessian Based Ultra Low Precision Quantization of BERT 【量化】

• 3.2.1 什么是蒸馏？

• 3.2.2 使用 模型蒸馏 的论文？

• 3.2.2.1 Extreme Language Model Compression withOptimal Subwords and Shared Projections 【蒸馏】

• 3.2.2.2 DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter 【蒸馏】

• 3.2.2.3 FastBERT: a Self-distilling BERT with Adaptive Inference Time 【蒸馏】

• 3.2.2.4 TinyBERT: Distilling BERT for Natural Language Understanding 【蒸馏】

• 3.1.1 什么是低秩因式分解？

• 3.1.2 什么是跨层参数共享？

• 3.1.3 ALBERT 所所用的方法？

• 3.1 Bert 模型压缩方法 之 低秩因式分解&跨层参数共享

• 3.2 Bert 模型压缩方法 之 蒸馏

• 3.3 Bert 模型压缩方法 之 量化

• 3.4 Bert 模型压缩方法 之 剪枝

• 【关于 小 Bert 模型系列算法】那些你不知道的事

• 【关于 Distilling Task-Specific Knowledge from BERT into Simple Neural Networks】那些你不知道的事

• 【关于 大 Bert 模型系列算法】 那些你不知道的事

• 2.1 认识 XLNet 么？能不能讲一下？和 Bert 的 区别在哪里？

• 2.2 认识 RoBERTa 么？能不能讲一下？和 Bert 的 区别在哪里？

• 2.3 认识 SpanBERT 么？能不能讲一下？和 Bert 的 区别在哪里？

• 2.4 认识 MASS 么？能不能讲一下？和 Bert 的 区别在哪里？

• 一、引言

• 二、Bert 变大篇

4.3 【关于 文本分类】那些你不知道的事

• 【关于 文本分类】那些你不知道的事

• 6.1 文本分类任务使用的评估算法和指标有哪些？

• 6.2 简单介绍混淆矩阵和kappa？

• 5.1 激活函数sigmoid篇

• 5.2 激活函数softmax篇

• 5.3 分类问题使用的损失函数还有有哪些？

• 5.1.1 二分类问题使用的激活函数sigmoid简介？

• 5.1.2 Sigmod的缺点是什么？

• 5.2.1 softmax函数是什么？

• 5.2.2 softmax函数怎么求导？

• 4.1 fastText 篇

• 4.2 TextCNN 篇

• 4.3 DPCNN 篇

• 4.4 TextRCNN 篇

• 4.5 RNN+Attention 篇

• 4.6 GNN 图神经网络篇

• 4.7 Transformer 篇

• 4.8 预训练模型 篇

• 4.1.1 fastText的分类过程？

• 4.1.2 fastText的优点？

• 4.2.1 TextCNN进行文本分类的过程?

• 4.2.2 TextCNN可以调整哪些参数？

• 4.2.3 使用CNN作为文本分类器时，不同通道channels对应着文本的什么信息？

• 4.2.4 TextCNN中卷积核的长与宽代表了什么？

• 4.2.5 在TextCNN中的pooling操作与一般CNN的pooling操作有何不同？

• 4.2.6 TextCNN的局限性？

• 4.3.1 如何解决长文本分类任务？

• 4.3.2 简单介绍DPCNN模型相较于TextCNN的改进？

• 4.4.1 简要介绍TextRCNN相较于TextCNN的改进？

• 4.5.1 RNN+Attention进行文本分类任务的思路，以及为什么要加Attention / 注意力机制如何应用于文本分类领域？

• 4.6.1 GNN 图神经网络如何应用于文本分类领域？

• 4.7.1 基于Transformer的预训练模型如何应用于文本分类领域？

• 4.8.1 你了解哪些预训练模型？它们的特点是什么？

• 3.1 （一个具体的）文本分类任务可以使用哪些特征？

• 3.2 （对于西文文本）使用单词和使用字母作为特征相比，差异如何？

• 3.3 能不能简单介绍下词袋模型？

• 3.4 n-gram 篇

• 3.5 主题建模篇

• 3.6 文本相似度篇

• 3.4.1 什么是n元语法？为什么要用n-gram？

• 3.4.2 n-gram算法的局限性是什么？

• 3.5.1 介绍一下主题建模任务？

• 3.5.2 主题建模的常用方法

• 3.5.3 TF-IDF算法是做什么的？简单介绍下TF-IDF算法

• 3.5.4 tf-idf高意味着什么？

• 3.5.5 tf-idf的不足之处

• 3.6.1 如何计算两段文本之间的距离？

• 3.6.2 什么是jaccard距离？

• 3.6.3 Dice系数和Jaccard系数的区别？

• 3.6.4 同样是编辑距离，莱文斯坦距离和汉明距离的区别在哪里？

• 3.6.5 写一下计算编辑距离（莱温斯坦距离）的编程题吧？

• 2.1 文本分类任务的数据预处理方法有哪些？

• 2.2 你使用过哪些分词方法和工具？

• 2.3 中文文本分词的方法？

• 2.4 基于字符串匹配的分词方法的原理 是什么？

• 2.5 统计语言模型如何应用于分词？N-gram最大概率分词？

• 2.6 基于序列标注的分词方法 是什么？

• 2.7 基于(Bi-)LSTM的词性标注 是什么？

• 2.8 词干提取和词形还原有什么区别？

• 1.1 分类任务有哪些类别？它们都有什么特征？

• 1.2 文本分类任务相较于其他领域的分类任务有何不同之处？

• 1.3 文本分类任务和文本领域的其他任务相比有何不同之处？

• 1.4 文本分类的过程？

• 一、 抽象命题

• 二、数据预处理

• 三、特征提取

• 四、模型篇

• 五、损失函数

• 六、模型评估和算法比较

• 【关于 文本分类 trick 】那些你不知道的事

• 6.1 算法策略构建

• 6.2 特征挖掘策略

• 6.3 数据不均衡问题

• 6.4 预训练模型融合角度

• 6.5 灾难性遗忘问题

• 6.6 小模型大智慧

• 6.3.1 重采样（re-sampling）

• 6.3.2 重加权（re-weighting）

• 6.3.3 数据增强

• 6.6.1 模型蒸馏

• 6.6.2 数据蒸馏

• 5.1 标签体系构建

• 5.2 标签体系合理性评估

• 4.1 二分类问题

• 4.2 多标签分类

• 4.3 长文本问题

• 4.4 鲁棒性问题

• 3.1 正则化

• 3.2 学习率

• 2.1 模型选择

• 2.2 词向量选择

• 2.3 字 or 词向量 预训练

• 1.1 vocab 构建问题

• 1.2 模型输入问题

• 1.3 噪声数据处理问题

• 1.4 中文任务分词问题

• 1.5 停用词处理问题

• 一、数据预处理问题

• 二、模型篇

• 三、参数篇

• 四、任务篇

• 五、标签体系构建

• 六、策略构建

4.4 【关于 文本匹配】那些你不知道的事

• 【关于 文本匹配模型 ESIM 】那些你不知道的事

• 2.1 模型介绍

• 2.2 Input Encoding

• 2.3 Local Inference Modeling

• 2.4 Inference Composition

• 2.5 Prediction

• 2.6 模型训练

• 一、动机篇

• 二、ESIM 模型篇

• 【关于 语义相似度匹配任务中的 BERT】 那些你不知道的事

• 一、Sentence Pair Classification Task：使用 CLS]

• 二、cosine similairity

• 三、长短文本的区别

• 四、sentence/word embedding

• 五、siamese network 方式

4.5 【关于 问答系统】那些你不知道的事

4.5.1 【关于 FAQ 检索式问答系统】 那些你不知道的事

• 【关于 FAQ 检索式问答系统】 那些你不知道的事

• 5.1 FAQ 标准问题库答案如何优化？

• 4.1 如何发现 FAQ 中标准问题？

• 4.2 FAQ 如何做拆分？

• 4.3 FAQ 如何做合并？

• 4.4 FAQ 标准库如何实时更新？

• 3.1 常用 方案有哪些？

• 3.2 为什么 QQ 匹配比较常用？

• 3.3 QQ 匹配一般处理流程是怎么样？【假设 标准问题库 已处理好】

• 3.2.1 QQ 匹配的优点有哪些？

• 3.2.2 QQ 匹配的语义空间是什么？

• 3.2.3 QQ 匹配的语料的稳定性是什么？

• 3.2.4 QQ 匹配的业务回答与算法模型的解耦是什么？

• 3.2.5 QQ 匹配的新问题发现与去重是什么？

• 3.2.6 QQ 匹配的上线运行速度是什么？

• 2.1 FAQ 检索式问答系统 是 什么？

• 2.2 query 匹配标准 QA 的核心是什么?

• 1.1 问答系统的动机？

• 1.2 问答系统 是什么？

• 一、动机

• 二、FAQ 检索式问答系统介绍篇

• 三、FAQ 检索式问答系统 方案篇

• 四、FAQ 标准问题库构建篇

• 五、FAQ 标准问题库答案优化篇

• 参考

4.5.2 【关于 问答系统工具篇】 那些你不知道的事

• 【关于 Faiss 】 那些你不知道的事

• 4.1 sklearn cosine_similarity 和 Faiss 哪家强

• 3.1 Faiss 如何安装？

• 3.2 Faiss 的索引Index有哪些？

• 3.3 Faiss 的索引Index都怎么用？

• 3.4 Faiss 然后使用 GPU？

• 3.3.1 数据预备

• 3.3.2 暴力美学 IndexFlatL2

• 3.3.3 闪电侠 IndexIVFFlat

• 3.3.4 内存管家 IndexIVFPQ

• 2.1 什么是 Faiss ？

• 2.2 Faiss 如何使用？

• 2.3 Faiss原理与核心算法

• 1.1 传统的相似度算法所存在的问题？

• 一、动机篇

• 二、介绍篇

• 三、Faiss 实战篇

• 四、 Faiss 对比篇

4.6 【关于 对话系统】那些你不知道的事

• 【关于 对话系统】那些你不知道的事

• 3.1 什么是任务型对话系统？

• 3.2 任务型对话系统的流程是怎么样？

• 3.3 任务型对话系统 语言理解（SLU）篇

• 3.4 任务型对话系统 DST（对话状态跟踪）篇

• 3.5 任务型对话系统 DPO（对话策略学习）篇

• 3.6 任务型对话系统 NLG（自然语言生成）篇

• 3.3.1 什么是 语言理解（SLU）？

• 3.3.2 语言理解（SLU）的输入输出是什么？

• 3.3.3 语言理解（SLU）所使用的技术是什么？

• 3.4.1 什么是 DST（对话状态跟踪）？

• 3.4.2 DST（对话状态跟踪）的输入输出是什么？

• 3.4.3 DST（对话状态跟踪）存在问题和解决方法？

• 3.4.4 DST（对话状态跟踪）实现方式是什么？

• 3.5.1 DPO（对话策略学习）是什么？

• 3.5.2 DPO（对话策略学习）的输入输出是什么？

• 3.5.3 DPO（对话策略学习）的实现方法是什么？

• 3.6.1 NLG（自然语言生成）是什么？

• 3.6.2 NLG（自然语言生成）的输入输出是什么？

• 3.6.3 NLG（自然语言生成）的实现方式？

• 2.1 为什么要用 多轮对话系统？

• 2.2 常见的多轮对话系统解决方案是什么？

• 1.1 对话系统有哪几种？

• 1.2 这几种对话系统的区别？

• 一、对话系统 介绍篇

• 二、多轮对话系统 介绍篇

• 三、任务型对话系统 介绍篇

• 【关于 RASA】那些你不知道的事

4.7 【关于 知识图谱】那些你不知道的事

4.7.1 【关于 知识图谱】 那些你不知道的事

• 【关于 知识图谱】 那些你不知道的事

• 2.1 知识图谱的数据来源于哪里？

• 2.2 信息抽取的难点在哪里？

• 2.3 构建知识图谱所涉及的技术？

• 2.4、知识图谱的具体构建技术是什么？

• 2.4.1 实体命名识别（Named Entity Recognition）

• 2.4.2 关系抽取（Relation Extraction）

• 2.4.3 实体统一（Entity Resolution）

• 2.4.4 指代消解（Disambiguation）

• 1.1 引言

• 1.2 什么是知识图谱呢？

• 1.3 知识图谱的类别有哪些？

• 1.4 知识图谱的价值在哪呢？

• 1.2.1 什么是图（Graph）呢？

• 1.2.2 什么是 Schema 呢？

• 一、知识图谱简介

• 二、怎么构建知识图谱呢？

• 三、知识图谱怎么存储？

• 四、知识图谱可以做什么？

• 参考资料

4.7.2 【关于 KBQA】那些你不知道的事

• 【关于 KBQA】那些你不知道的事

• 2.1 介绍

• 2.2 流程

• 2.1.1 开源知识图谱介绍

• 2.1.2 评测标准

• 2.2.1. 分类单跳和多跳问句

• 2.2.2. 分类链式问句（二分类）

• 2.2.3. 主谓宾分类（三分类）

• 2.2.4. 实体提及（mention）识别

• 2.2.5. 关系分类 (语义相似度计算，二分类问题)

• 2.2.6. 实体链指 【实体消歧】

• 2.2.7. 候选查询路径生成及文本匹配

• 2.2.8. 实体桥接及答案检索

• 1.1 介绍

• 1.2 流程

• 1.1.1 开源知识图谱

• 1.1.2 代表项目

• 1.2.1. 句子输入

• 1.2.2. 问句解析

• 1.2.3. 查询语句生成

• 1.2.4. 查询数据库和结果生成

• 一、基于词典和规则的方法

• 二、基于信息抽取的方法

4.7.3 【关于 Neo4j】那些你不知道的事

• 【关于 Neo4j】那些你不知道的事

• 3.1 neo4j模块：执行CQL ( cypher ) 语句是什么？

• 3.2 py2neo模块是什么？

• 2.1 引言

• 2.2 Neo4j 怎么创建节点？

• 2.3 Neo4j 怎么创建关系？

• 2.4 Neo4j 怎么创建 出生地关系？

• 2.5 Neo4j 怎么查询？

• 2.6 Neo4j 怎么删除和修改？

• 1.1 引言

• 1.2 Neo4J 怎么下载？

• 1.3 Neo4J 怎么安装？

• 1.4 Neo4J Web 界面 介绍

• 1.5 Cypher查询语言是什么？

• 一、Neo4J 介绍与安装

• 二、Neo4J 增删查改篇

• 三、如何利用 Python 操作 Neo4j 图数据库？

• 四、数据导入 Neo4j 图数据库篇

• 参考资料

4.8 【关于 文本摘要】 那些你不知道的事

• 【关于 文本摘要】 那些你不知道的事

• 5.1 摘要质量的评估方法有哪些类型？

• 5.2 什么是ROUGE？

• 5.3 几种ROUGE指标之间的区别是什么？

• 5.4 BLEU和ROUGE有什么不同？

• 4.1 生成式摘要是怎么做的？

• 4.2 生成式摘要存在哪些问题？

• 4.3 Pointer-generator network解决了什么问题？

• 3.1 压缩式摘要是怎么做的？

• 2.1 抽取式摘要是怎么做的？

• 2.2 抽取式摘要的可读性问题是什么？

• 2.1.1 句子重要性评估算法有哪些？

• 2.1.2 基于约束的摘要生成方法有哪些？

• 2.1.3 TextTeaser算法是怎么抽取摘要的？

• 2.1.4 TextRank算法是怎么抽取摘要的？

• 1.1 什么是文本摘要？

• 1.2 文本摘要技术有哪些类型？

• 一、动机篇

• 二、抽取式摘要篇

• 三、压缩式摘要篇

• 四、生成式摘要篇

• 五、摘要质量评估方法

4.9 【关于 知识表示学习】那些你不知道的事

• 【关于 知识表示学习】那些你不知道的事

• 2.1 Q：知识表示相对于one-hot表示的优势是什么？

• 2.2 Q：有哪些文本表示模型?它们各有什么优缺点?

• 2.3 Q：word2vec与LDA模型之间的区别和联系？

• 2.4 Q：介绍下词向量空间中的平移不变现象？

• 2.5 Q：简要介绍下TransE模型的思想及优点？

• 2.6 Q：解释一下为什么TransE模型用于复杂关系建模时的性能较差？

• 2.7 Q：简述TransH、TransR和TransD模型的思想

• 2.8 Q：简述deepwalk和node2vec模型的思想及其优点

• 2.9 Q：简述Line模型的思想

• 1.1 理论

• 1.2 研究现状

• 1.1.1 知识表示学习的基本概念

• 1.1.2 知识表示的理论基础

• 1.1.3 知识表示学习的典型应用

• 1.1.4 知识表示学习的主要优点

• 一. 理论及研究现状

• 二. 常见面试题

• 参考文献

五【关于 NLP 技巧】那些你不知道的事

5.1 【关于 少样本问题】那些你不知道的事

• 【关于 EDA 】那些你不知道的事

• 2.1 词汇替换篇

• 2.2 词汇插入篇

• 2.3 词汇交换篇

• 2.4 词汇删除篇

• 2.5 回译篇

• 2.6 交叉增强篇

• 2.7 语法树篇

• 2.8 对抗增强篇

• 2.1.1 什么是基于词典的替换方法？

• 2.1.2 什么是基于词向量的替换方法？

• 2.1.3 什么是基于 MLM 的替换方法？

• 2.1.4 什么是基于 TF-IDF 的词替换？

• 2.2.1 什么是随机插入法？

• 2.3.1 什么是随机交换法？

• 2.4.1 什么是随机删除法？

• 2.5.1 什么是回译法？

• 2.6.1 什么是 交叉增强篇

• 2.7.1 什么是语法树操作？

• 2.8.1 什么是对抗增强？

• 1.1 什么是 数据增强？

• 1.2 为什么需要 数据增强？

• 一、动机篇

• 二、常见的数据增强方法篇

• 【关于 主动学习 】那些你不知道的事

• 3.1 以未标记样本的获取方式的差别进行划分

• 3.2 测试集内选取“信息”量最大的数据标记

• 3.2.1 测试集内选取“信息”量最大的数据标记

• 3.2.2 依赖不确定度的样本选取策略（Uncertainty Sampling, US）

• 3.2.3 基于委员会查询的方法（Query-By-Committee，QBC）

• 2.1 主动学习的思路是什么？

• 2.2 主动学习方法 的价值点在哪里？

• 1.1 主动学习是什么？

• 1.2 为什么需要主动学习？

• 一、动机篇

• 二、主动学习篇

• 三、样本选取策略篇

• 【关于 数据增强 之 对抗训练】 那些你不知道的事

• 3.1 NLP 中经典对抗训练 之 Fast Gradient Method（FGM）

• 3.2 NLP 中经典对抗训练 之 Projected Gradient Descent（PGD）

• 2.1 对抗训练的基本概念?

• 2.2 如何计算扰动?

• 2.3 如何优化?

• 1.1 什么是 对抗训练 ？

• 1.2 为什么 对抗训练 能够 提高模型效果？

• 1.3 对抗训练 有什么特点？

• 1.4 对抗训练 的作用?

• 一、介绍篇

• 二、概念篇

• 三、实战篇

5.2 【关于 脏数据】那些你不知道的事

• 【关于 “脏数据”处理】那些你不知道的事

• 2.1 “脏数据” 怎么处理呢？

• 2.2 置信学习方法篇

• 2.2.1 什么是 置信学习方法？

• 2.2.2 置信学习方法 优点？

• 2.2.3 置信学习方法 怎么做？

• 2.2.4 置信学习方法 怎么用？有什么开源框架？

• 2.2.5 置信学习方法 的工作原理？

• 1.1 何为“脏数据”？

• 1.2 “脏数据” 会带来什么后果？

• 一、动机

• 二、“脏数据” 处理篇

5.3 【关于 炼丹炉】那些你不知道的事

• 【关于 batch_size设置】那些你不知道的事

• 一、训练模型时，batch_size的设置，学习率的设置?

六【关于 Python 】那些你不知道的事

• 【关于 Python 】那些你不知道的事

• 7.1 什么是全局解释器锁？

• 7.2 GIL有什么作用？

• 7.3 GIL有什么影响？

• 7.4 如何避免GIL带来的影响？

• 6.1 进程

• 6.2 线程

• 6.3 进程 vs 线程

• 6.4 协程

• 6.1.1 什么是进程？

• 6.1.2 进程间如何通信？

• 6.2.1 什么是线程？

• 6.2.2 线程间如何通信？

• 6.3.1 区别

• 6.3.2 应用场景

• 6.4.1 什么是协程？

• 6.4.2 协程的优点？

• 5.1 概念介绍

• 5.2 介绍

• 5.3 变量定义流程

• 5.3 赋值

• 5.4 浅拷贝

• 5.5 深度拷贝

• 5.6 核心：不可变对象类型 and 可变对象类型

• 5.6.1 不可变对象类型

• 5.6.2 可变对象类型

• 4.1 python 的sorted函数是什么？

• 4.2 python 的sorted函数举例说明？

• 3.1 垃圾回收算法有哪些？

• 3.2 引用计数（主要）是什么？

• 3.3 标记-清除是什么？

• 3.4 分代回收是什么？

• 2.1 装饰器是什么？

• 2.2 装饰器怎么用？

• 1.1 为什么会有 *args 和 **kwargs？

• 1.2 *args 和 **kwargs 的用途是什么？

• 1.3 *args 是什么？

• 1.4 **kwargs是什么？

• 1.5 *args 与 **kwargs 的区别是什么？

• 一、什么是*args 和 **kwargs？

• 二、什么是装饰器？

• 三、Python垃圾回收（GC）

• 四、python的sorted函数对字典按key排序和按value排序

• 五、直接赋值、浅拷贝和深度拷贝

• 六、进程、线程、协程

• 七、全局解释器锁

七【关于 Tensorflow 】那些你不知道的事

• 【关于 Tensorflow 损失函数】 那些你不知道的事

• （1）L1正则损失函数（即绝对值损失函数）

• （2）L2正则损失函数（即欧拉损失函数）

• （3）均方误差（MSE, mean squared error）

• （4）Pseudo-Huber 损失函数

• （1）Hinge损失函数

• （2）两类交叉熵（Cross-entropy）损失函数

• （3）Sigmoid交叉熵损失函数

• （4）加权交叉熵损失函数

• （5）Softmax交叉熵损失函数

• (6) SparseCategoricalCrossentropy vs sparse_categorical_crossentropy

• 一、动机

• 二、什么是损失函数？

• 三、目标函数、损失函数、代价函数之间的关系与区别？

• 四、损失函数的类别

• 4.1 回归模型的损失函数

• 4.2 分类模型的损失函数
  

• 五、总结