趋近智
自然语言处理基本原理
章节 1: 自然语言处理基本原理与高级文本处理
自然语言处理流程
高级分词方法
词干提取与词形还原比较
文本数据中的噪声处理
停用词高级定制
文本标准化方法
动手实践：构建预处理流程
章节 2: 文本特征工程
从词袋模型到TF-IDF
计算 TF-IDF 分数
使用N-gram来获取语境信息
特征哈希简介
文本特征的降维
比较不同的文本表示方法
动手实践：生成文本特征
章节 3: 监督学习在文本分类中的应用
分类算法回顾
将分类器应用于文本数据
分类模型评估指标
交叉验证策略
文本模型的超参数调优
处理不平衡数据集
实践：构建文本分类器
章节 4: 嵌入表示与序列数据理解
基于频率的模型的局限性
分布式语义学简介
词嵌入基本原理
Word2Vec：CBOW 与 Skip-gram 模型结构
GloVe：词语的全局向量表示
词嵌入的可视化
使用预训练词嵌入模型
动手实践：使用词嵌入
章节 5: 自然语言处理中的序列模型介绍
序列感知的必要性
循环神经网络（RNN）基础
理解梯度消失问题
长短期记忆（LSTM）网络
门控循环单元 (GRUs)
将序列模型应用于文本
动手实践：构建一个简单的序列模型
GloVe：词语的全局向量表示
这部分内容有帮助吗？
- GloVe: Global Vectors for Word Representation, Jeffrey Pennington, Richard Socher, Christopher Manning, 2014 Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) (Association for Computational Linguistics) DOI: 10.3115/v1/D14-1162 - 介绍GloVe模型及其理论基础的原始出版物。
- Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, Daniel Jurafsky and James H. Martin, 2025 (Stanford University (online draft)) - 一本标准的自然语言处理教材，提供了词嵌入（包括GloVe、Word2Vec和潜在语义分析）的详细说明。
- Efficient Estimation of Word Representations in Vector Space, Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean, 2013 ICLR Workshop Paper DOI: 10.48550/arXiv.1301.3781 - 介绍了最初的Word2Vec模型（Skip-gram和CBOW），是理解局部上下文词表示方法的基础。
- Distributed Representations of Words and Phrases and their Compositionality, Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg Corrado, Jeffrey Dean, 2013 Advances in Neural Information Processing Systems (NeurIPS) 26 DOI: 10.48550/arXiv.1310.4546 - 详细说明了Word2Vec框架的改进，对理解词向量优化技术很重要。