NLP

资料

介绍

1. 监督学习：监督学习是指使用带有标签的数据来训练模型，从而使模型能够对新 的未标注数据进行分类、识别等任务。监督学习在 NLP 中的应用包括文本分类、 情感分析、命名实体识别等。

2. 无监督学习：无监督学习是指使用未标注的数据来训练模型，从而发现数据中的 模式和结构，并对新的未标注数据进行推断和建模。无监督学习在 NLP 中的应用 包括文本聚类、主题建模等。

3. 半监督学习：半监督学习是指同时使用带有标签和未标注的数据来训练模型，从 而利用未标注数据来增强模型的泛化能力。半监督学习在 NLP 中的应用包括文本 分类、情感分析等。

4. 迁移学习：迁移学习是指将已经训练好的模型应用到新的任务或领域中，从而提 高模型的性能和泛化能力。迁移学习在 NLP 中的应用包括机器翻译、问答系统 等。

5. 强化学习：强化学习是指通过试错和反馈来训练模型，使其能够根据环境和目标 来采取不同的行动。强化学习在 NLP 中的应用包括自然语言生成、对话系统等。 这些 NLP 应用范式可以相互结合，形成更加复杂和强大的 NLP 应用模式。在实际应用中，选择合 适的 NLP 应用范式和模式，可以帮助解决不同领域和任务中的语言处理问题，提高效率和准确性。

情感分类

node相关

模型相关

StructBERT情感分类-中文-通用-base

StructBERT情感分类-中文-通用-base是基于bdci、dianping、jd binary、waimai-10k四个数据集（11.5w条数据）训练出来的情感分类模型。

https://www.modelscope.cn/models/iic/nlp_structbert_sentiment-classification_chinese-base

StructBERT情感分类-中文-电商-base

StructBERT中文情感分类模型是基于百万电商评价数据训练出来的情感分类模型

https://www.modelscope.cn/models/iic/nlp_structbert_sentiment-classification_chinese-ecommerce-base/?st=1V7ZYTuc1h_IRiz8CJ7dymQ

基于LSTM搭建一个文本情感分类的深度学习模型:准确率往往有95%以上-腾讯云开发者社区-腾讯云

基于情感词典的文本情感分类 传统的基于情感词典的文本情感分类，是对人的记忆和判断思维的最简单的模拟，如上图。我们首先通过学习来记忆一些基本词汇，如否定词语有“不”，积极词语有“喜欢”、“爱”，消极词语

https://cloud.tencent.com/developer/article/1061217

GitHub - Edward1Chou/SentimentAnalysis: 文本情感分析

文本情感分析. Contribute to Edward1Chou/SentimentAnalysis development by creating an account on GitHub.

https://github.com/Edward1Chou/SentimentAnalysis?tab=readme-ov-file

情感倾向分析Senta_飞桨-源于产业实践的开源深度学习平台

情感倾向分析Senta 模型是目前最好的中文情感分析模型，可自动判断中文文本的情感极性类别并给出相应的置信度。情感倾向分析能够帮助企业理解用户消费习惯、分析热点话题和危机舆情监控，为企业提供有力的决策支持。

https://www.paddlepaddle.org.cn/modelbasedetail/senta

基于PaddleNLP的属性级情感分析Web系统 - 飞桨AI Studio星河社区

基于PaddleNLP搭建评论观点抽取和属性级情感分析模型，并基于前后端分离式架构完成属性级情感分析Web系统搭建，通过细粒度情感分析帮助用户和商家更好决策。 - 飞桨AI Studio星河社区

https://aistudio.baidu.com/projectdetail/5060618