NLP学习路线总结NLP数据集查询添加链接描述
添加链接描述
添加链接描述
【语言】
掌握Python、Java、或C++等任意一种语言,系统实现能力强,工程基础扎实;
【数据库】
图数据库Neo4J
【框架】
熟悉Tensorflow/Pytorch/Paddle等DL框架中的一种;
【自然语言基础】
1.熟练使用NLP工具和分词方法,例如jieba,深刻理解至少一种NLP任务如对话系统、实体识别、信息检索、文本生成,翻译系统,分词、命名体识别、知识库与知识图谱、语言模型、句法分析、情感分析、文本分类、数据挖掘等;
2. 熟悉Bert, Bi-LSTM, XGBOOST, CRF, LSTM, Attention, Transformer,MaxEnt/CRF,pLSA/LDA,word2vec, fasttext,CNN/RNN/Seq2Seq等ML/DL模型基本结构、原理和使用;
3. 分类、回归、聚类、关联分析、时间系列等2-3种数据挖掘算法
4.熟悉spark,Hive等大数据处理框架者优先,熟悉各种机器学习算法包括深度神经网络模型者优先;
4. 实践动手能力强, ACMICPC, NOI/IOI,top coder,Kaggle比赛获奖者优先;
【常用数据集】
- 语义理解方面的:
MNLI: Multi-Genre Natural Language Inference。给定一组语句,预测下一个语句是上面一组语句的继续?还是矛盾?还是中立?
QQP:Quora Question Pairs is a binary classification task。二值分类,两个问题是不是语义上相同。
QNLI: Question Natural Language Inference is a version of the Stanford Question Answering Dataset。二值分类,positive包含正确的答案,negative没有包含正确答案。
SST-2 :The Stanford Sentiment Treebank,二值单语句分类任务。
CoLA :The Corpus of Linguistic Acceptability。判断一个英语句子在语言学上是否可以接受的。
STS-B :The Semantic Textual Similarity Benchmark。判断两个句子在语义上是否相似,分数从1到5.
MRPC: Microsoft Research Paraphrase Corpus。判断两个句子在语义上是否相似。
RTE: Recognizing Textual Entailment,类似MNLI,但数据量较少。
WNLI: Winograd NLI is a small natural language inference dataset. - QA问答
Stanford Question Answering Dataset(SQuAD v1.1) - 语句补充
Situations With Adversarial Generations(SWAG):包括113k个语句对补充例子,用来评估常识推理。给定一个句子,任务是在4个选项中选择最合适的一个。 - 命名实体
dh_msra 数据集:5 万多条中文命名实体识别标注数据(包括地点、机构、人物)