五个入门深度学习自然语言处理资源

博客地址：http://www.jianshu.com/p/371a9dd9bba1

或者点击阅读原文

From Richard Socher's slides

这里收集了五个入门深度学习自然语言处理资源，这些资源为你介绍了目前一些最新的技术。它也为你提供了一些下一步自然语言发展的方向。

1.Deep Learning for NLP (without Magic)

http://lxmls.it.pt/2014/socher-lxmls.pdf

这是由斯坦福大学 Richard Socher 和 MetaMind 共同打造的幻灯片，这个幻灯片最初是在里斯本的机器学习暑假学校中演示。你会发现它是一个将深度学习应用到 NLP 的一个非常好的实践，以及如何去深入学习 NLP 。

当然，你学习 Socher 的博客也是一个非常好的方法。

2.Deep Learning applied to NLP

https://arxiv.org/pdf/1703.03091.pdf

这是 Marc Moreno Lopez 和 Jugal Kalita 一起做的一个调研论文，主要的摘要如下：

卷积神经网络（CNN）通常与计算机视觉相关。CNN在图像分类上面取得了重大的突破，是当今大多数计算机视觉系统的核心算法。最近，CNN也被应用到了自然语言处理问题，并且得到了一些非常有趣的结果。在本文中，我们将解释 CNN 的基础知识，以及不同的变体和如何将 CNN 模型应用到 NLP 问题上面。

3.A Primer on Neural Network Models for Natural Language Processing

http://u.cs.biu.ac.il/~yogo/nnlp.pdf

Yoav Goldberg 的一篇论文，以下是简单摘要：

本教程从神经网络的角度对自然语言处理问题进行了调查，我们试图利用神经网络技术来解决 NLP 问题。本教程涵盖了自然语言处理的一些任务，以及前馈网络，卷积网络，递归网络和循环网络，以及网络计算图的自动编码和梯度的抽象计算。

作为奖励，我建议你同时阅读下面一篇文章：

• An Adversarial Review of “Adversarial Generation of Natural Language”

  https://medium.com/@yoav.goldberg/an-adversarial-review-of-adversarial-generation-of-natural-language-409ac3378bd7
  

• Clarifications re “Adversarial Review of Adversarial Learning of Nat Lang” post

  https://medium.com/@yoav.goldberg/clarifications-re-adversarial-review-of-adversarial-learning-of-nat-lang-post-62acd39ebe0d
  

• A Response to Yann LeCun’s Response

  https://medium.com/@yoav.goldberg/a-response-to-yann-lecuns-response-245125295c02
  

4.Natural Language Processing with Deep Learning (Stanford)

http://web.stanford.edu/class/cs224n/

From Stanford's CS224n: Natural Language Processing with Deep Learning

由 Chris Manning 和 Richard Socher 授课的 CS224n 课程是最受欢迎的NLP课程之一。从课程网站的介绍中，我们可以得到：

本课程全面介绍了将深度学习应用到 NLP 问题的前沿研究。在模型方面，我们将讨论词向量，基于窗口的神经模型，循环神经网络，长短期神经网络，递归神经网络，卷积神经网络以及一些最近的模型。

如果你喜欢看视频学习，那么可以直接点击这里。

5.Deep Learning for Natural Language Processing (Oxford)

https://www.cs.ox.ac.uk/teaching/courses/2016-2017/dl/

另一门比较有名的 NLP 课程是由牛津大学的 Phil Blunsom 教授提供的，从课程网络可以得知：

这是一门关于自然语言处理的高级课程。自动处理语言的输入和自动产生模型的输出语句是机器智能的一个关键组成部分。人类语言传播过程中特有的噪音和模糊使得 AI 技术很好的应用于语言分析。最近神经网络技术在自然语言处理的应用取得了一些显著的成功，导致了该领域的大量商业和学术研究。

你可以点击这里获得 Github 链接。

https://github.com/oxford-cs-deepnlp-2017/lectures

---

来源：kdnuggets