New-stu-training

李正华TODO

 我的PPT不好，有的要简化，例如GB编码没有具体说明：两个字节，第一个字节怎么样。
 有的需要更详细、更丰满。

说明

• 所有俱乐部同学，包括刚进入实验室的研究生，都要做NLP基础编程练习，一方面提高编程能力，另一方面打好机器学习和自然语言处理的基础
• 我们精心设计了一系列的基础练习作业，从简单到复杂，逐步深入：题目（课程）主页
• 请直入主题，从题目出发，按照推荐的顺序，逐一做
• 遇到一个题目，去下面的课件或讲义中寻找相关内容，进行快速学习和理解
  • 做基础练习的时候，要关注主要知识点，不要陷入细枝末节，否则的话，进度就太慢了。比如随机过程，这个本身是非常大的一个概念，千万不要钻进去学习，了解其基本概念、例子即可。
  • 以正确完成编程题目为主要目标。我相信，等编程作业做完了，很多知识点就会有自己的理解了
  • 做事情的三步：做出来、做对、做好
• 注意，千万不要直接看别人写好的代码，一定要努力自己去理解和消化。一定要有一个自己思考的过程，尽最大努力自己写代码，即使效率低，准确率差，也没关系。通过自己的思考，逐渐优化和提高。这个过程非常重要，很有意义。
• 另外，尽量不要在网上找各种参考资料。虽然我的讲义很精简，但是如果仔细看，认真思考，推导，一定能搞明白。这个过程也很重要，对自我提升很有帮助。
  • 任何一个理论或方法，从不同角度都可以进行解释，看的角度多了，就没有自己的角度了。网上的各种资料，都是从不同角度来说同一个事，看多了就乱了。
• 如果有问题，可以找自己的mentor去讨论，如果mentor也不懂，那说明mentor也没理解，就可以发邮件给老师。

参考书目

• Dan Jurafsky. Speech and Language Processing中文翻译 (强烈推荐！)
• Neural networks and deep learning（李正华强烈推荐，看完前三章就差不多了）
• Andrew Ng的视频:吴恩达深度学习(带中文字幕)
• Chris Manning. 2005. 统计自然语言处理基础.
• 宗成庆. 2008. 统计自然语言处理.
• 李航. 2012. 统计学习方法.
• 神经网络与深度学习

...

神经网络公开课第十三章：面向自然语言处理的神经网络 （苏州大学 李正华）

• 第1节：从离散特征到连续稠密向量表示
• 第2节：表示学习
• 第3节：序列标注问题
• 第4节：句法树解析问题

数据（utf8编码）

CoNLL格式的含义

• 每个词占一行，每行的第2列为当前词语，第4列为当前词的词性，第7列为当前词的中心词的序号，第8列为当前词语与中心词的依存关系。句子与句子之间以空行间隔。

最大匹配分词数据

• 分词数据

词性标注数据

• 小数据集

训练	开发
803句	1910句

• 大数据集

训练	开发	测试
16091句	803句	1910句

• 示例： 输入：严守一 把 手机 关 了 输出：严守一/NR 把/P手机/NN关/VV 了/SP

基础编程训练列表

分字

• 2022春IR课程视频和图片：
  • 低画质：作业1
  • 高画质：作业1-part1、 作业1-part2
  • 图片：图1、 图2
• UTF-8数据：文件:Sentence.txt
• UFT-8编码规则：

1字节 0xxxxxxx
2字节 110xxxxx 10xxxxxx
3字节 1110xxxx 10xxxxxx 10xxxxxx
4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 

• 下面的内容可以不看
  • 给定文件，将文件中的句子按照字（字符）切分，字符中间用空格隔开。用C/C++实现。Python（3.0）可以直接用split处理UTF8编码的字符串，也试试，对比一下结果。
  • 参考资料：文件:Chinese-encoding.pdf
  • 数据：几个不同编码的文件，可以用hexdump查看。也可以自己生成不同编码的文件。

最大匹配分词

• 2022春IR课程视频和图片：
  • 低画质：作业3
  • 高画质：作业3
  • 图片：图

• 数据下载：
  • 字典：文件:Dict.txt
  • 待分词：文件:Sentence.txt
  • 正确答案（人工标注的，你的模型的预测结果要和这个文件进行对比，从而得到P/R/F值）：文件:Answer.txt；
  • 正向最大匹配分词模型的预测结果（如果你的程序写对了，那么应该和这个结果一模一样）：文件:Out.txt

*正确实验结果
**正确识别的词数：20263
**识别出的总体个数：20397
**测试集中的总体个数：20454
**正确率：0.99343
**召回率：0.99066
**F值：0.99204

• 下面的内容可以不看
• 参考课件：最大匹配

有监督HMM词性标注

• 图片和视频：
  • 低画质：第1部分、 第2部分、 第3部分、 第4部分
  • 高画质：第1部分、 第2部分、 第3部分、 第4部分
  • 图片：第1部分、 第2部分、 第3部分、 第4部分
• 参考课件：Collins教授课件、李正华的课件、理解HMM的Viterbi、HMM模型中极大似然估计的由来(公式推导)

基于线性模型（linear model）的词性标注

• 要点：判别模型、partial feature
• 参考课件：李正华老师课件
• 图片和视频：
  • 视频：第1部分、 第2部分、 第3部分、 第4部分、第5部分
  • 图片：第1部分、 第2部分、 第3部分、 第4部分、第5部分

基于最大熵（max-entropy，log-linear）模型的词性标注

• 要点：梯度下降方法，Adam优化
• 参考课件：李正华老师课件、Collins教授课件
• 图片和视频：
  • 视频：第1部分、 第2部分
  • 图片：第1部分、 第2部分

基于全局线性模型（global linear model）的词性标注

• 参考课件：李正华老师课件

基于条件随机场（conditional random field，CRF）模型的词性标注

• 要点：全局概率、期望、Forward-backward结合、viterbi解码
• 参考课件：李正华老师课件

基于前馈神经网络（FFN）的词性标注

• 要点：必须自己实现前向计算loss，和backpropagation。
• 参考：neural networks and deeplearning神经网络入门书籍 基本阅读完前三章即可完成本任务. 吴恩达深度学习(带中文字幕)

基于FFN-CRF的词性标注

• 要点：仍然自己实现前向计算loss，和backpropagation。
• 提示：将神经网络输出看成发射矩阵，之后加上转移矩阵

基于BiLSTM的词性标注

• 要点：可以利用Pytorch自带的。Dropout等的使用，是关键。

github已有代码，不同同学的代码可以看不同的branch：

github网址

后续自主学习扩展

基于图的依存句法分析

直接用神经网络实现即可。Biaffine Parser框架。

重点：Eisner动态规划解码算法（看我的COLING-2014 tutorial）

进而可以扩展到TreeCRF，将Eisner算法扩展为inside算法。

具体看我们的ACL-2020文章：Yu Zhang et al.

基于转移的依存句法分析

了解一下转移系统

Seq2Seq (RNN) NMT with attention

了解一下语言生成

Transformer NMT

这里面的技术细节很多。

无监督学习

HMM-EM

VAE