前言
前段时间有朋友询问说NLP领域如何学习，然而一直忙于毕业论文中实在没有时间，两年半真的实在太难受了。昨天刚交了盲审，祈祷顺利毕业呀。
今天刚好有时间讲讲我自己的学习之路，然后谈谈我对自然语言处理领域学习的一些建议。
老宋：从迷茫到入坑
老宋本科在帝都某211，专业自动化，学的东西乱七八糟，因此翘课3年，挂科两门，侥幸毕业，实在不感兴趣。在本科期间，做过一年的嵌入式Linux，然后在大三之后转做Android，并花费半年之久考研（别问为啥考北科，问就是求稳）。说这些表达的意思是，老宋的基础还行，遗憾的是没有大牛带，一个人摸索的确难受，方向的不确定性也让人很迷茫。不过这也养成了我自学，自查，自己搞的习惯，这大学也没白读不是。
我个人觉得我在大学一个重要的收获就是，学会思考，坏处是经常会睡不着觉，乱七八糟一通思考。后来慢慢思考自己的路要怎么走，其实是一个不断探索的过程，中间自己不仅仅编程吧，其他经济学等方面也都有涉及，对吹牛逼大有益处。
到了研究生阶段，第一学期，懵懵懂懂学习机器学习基础知识，然后到第二学期，开始正式进入自然语言处理领域，开始打算做阅读理解方向的内容（事实证明，没有好老师指导，研究生想在阅读理解领域干点事情，基本不可能）。就这样，看论文，写代码，到了研二第二学期，开始找实习。刚开始，觉得刷题对算法岗不咋重要，然而，事实啪啪啪打我的脸，春招的笔试基本都挂，难受的一批。然后就是自己做的方向太窄了，阅读理解有没有商用，懂的面试官贼少，而你又没有顶会之类的硬货，因此，整个春招找实习算是很失败的。
总结下来就是两大原因：
忽略了刷题的重要性，搞得笔试根本过不去，bat连面试资格都没有，难受啊
方向太窄，阅读理解没面试官懂，且你没有硬货。
经过反思之后，我依旧没有把刷题放在首要任务上，这是秋招的一大败笔。
其实还有一点就是，看论文到底有没有用，我个人精读论文不下100，泛读的也不下200篇，可是面试官问不出来呀。很多同学都是看看BERT，Transformer，看看博客，刷刷面经就面过了（刷题需足够多），这也让我本身怀疑看论文的必要性，因为真的没有几个面试官能问出什么高水平的问题，基本就面经上常见的问题。
而今年算法岗还有一个有趣的现象：有的大厂面试官的水平不如应聘者，真实千奇百怪啊。
如何学习自然语言处理领域？
其实，我个人依旧认为学习自然语言处理领域的最好方式就是看论文，虽然今年不少人都是刷面经过的算法岗（有的在5月份连BERT都不知道），但从学习角度来说还是以论文为主，毕竟目前自然语言处理领域处于高速发展中。
如果我是面试官，我就从：你能不能谈谈最近预训练语言模型的发展 这一问题来评估应聘者的水平，要想说清楚这个发展历程，没有个精读10篇预训练语言模型论文是肯定不行的。而这一问题，也只有百度面试官问过，其他很多厂都是最多问问BERT，还有的大厂问各种数学计算公式，在我看来挺无聊的，背个公式这tm能体现出应聘者水平吗。这也从侧面验证百度技术还是厉害的。
因此，我这里并不介绍秋招准备的东西，而是日常学习中，自然语言处理你应该学习哪些东西，当然这是我按照我个人的学习推荐的，如果你要急于准备秋招，建议去牛客刷面经，对面试帮助极大。
如何入门自然语言处理？
首先，你要对自然语言处理领域有大致的了解，自然语言处理领域有哪些子任务，每个子任务都有哪些特点等。我个人认为这是你进入自然语言处理领域要做的第一件事情。
幸运的是，清华2018出了一篇报告讲述自然语言处理领域的现状，名为：《2018自然语言处理研究报告》。可以在文章结尾的百度云自己下载。
在进入自然语言领域之前，依旧需要你对机器学习以及深度学习有一定的基础，因此我个人推荐先学习这两大内容。机器学习对于自然语言处理来说相对并不重要，因此，可以简单过一遍即可。
在这之后，你就应该学习自然语言处理领域的内容了，学习自然语言处理最好的方式是以点带面，从一个实际的上层应用出发，比如推荐，搜索，对话等。分析该上层应用中涉及到哪些自然语言处理方面的内容，然后针对性的学习。
就我个人来说，我依旧推荐文本分类作为入门的第一选择，因为文本分类在业界中应用的确最为广泛。我个人也有两个相关的仓库和文章：
文章模型：几个可作为Baseline的文本分类模型
基于词向量的模型：TextClassification-Pytorch
基于BERT的模型：Bert-TextClassification
由于NLP还在快速发展中，因此还没有那部书能够把内容以往打尽，因为书的周期太长，等出来后，技术都过时了。因此，对于自然语言处理领域来说，最重要的依旧是看论文，我之前写过一篇关于论文大礼包的，你把其中重要的文章看一遍基本就入门了，大概20多篇吧。
听说你急缺论文大礼包？（更新ing）
如何深入自然语言处理领域？
对于自然语言处理领域来说，有很多子任务，大多数人都是专注于有限几个领域。尤其是预训练语言模型诞生后，区别更不大了。在前面已经提到过了，那么你首先应该选择一个你感兴趣的上游任务，上游任务往往都比较复杂，融合了很多子任务。 举例来说：对于任务型对话来说，就涉及到文本分类，序列标注，文本匹配等任务。因此，你入门之后，还需要对应的学习多个子任务的内容。这里我推荐两个内容：
NLP-progress - 讲述nlp相关任务最新进展
中文相关进展 -- 中文nlp任务的数据集，论文，进展等
推荐几个知乎大佬
很多学生都是面向博客学习的 ，因此，我个人也推荐一波大佬：
张俊林
深度学习与NLP -- 量大，质量也不错
夕小瑶 -- 百度aig部NLP组大佬
刘知远 -- 清华副教授
呜呜哈 -- 对话做的比较深
习翔宇 -- 清华大佬，博士，起薪百万的那种
其他一些更新不勤快，但文章质量还不错的博主
吴海波 -- 蘑菇街推荐算法工程师
JayLou
香侬慧语科技
低级炼丹师
王喆 -- 清华大佬
Juliuszh -- 清华大佬
李如
AI talk -- 讲落地的一些东西
萧瑟 -- 阿里妈妈大佬
Tobias Lee
当你准备面试时
当你准备面试时，一方面是面经，一方面是基础知识。我个人基础还行，秋招期间维护了一个仓库来复习，后续有时间还会不断更新，可以star一下。
面试仓库：NLPer-Interview
最后
时间有限，码字不易，点赞支持，有钱打赏。
资料在这里
链接：pan.baidu.com/s/1dYFki5
提取码：10a5
额，考虑到有可能侵权问题，上面提到的一些其他资料大家还是自己去下载吧。
哦，对了，最近很多人私信我问问题，我就不回复了，咱也没义务不是。还有，千万别加我微信，我微信最近多了老多不认识的人，默默躺在通讯录里。
本文由作者授权AINLP原创发布于公众号平台，点击'阅读原文'直达原文链接，欢迎投稿，AI、NLP均可。
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLP君微信(id：AINLP2)，备注工作/研究方向+加群目的。
