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
循环神经网络（RNN）基础
这部分内容有帮助吗？
- Backpropagation Through Time: What It Does and How to Do It, Paul J. Werbos, 1990 Proceedings of the IEEE, Vol. 78 (IEEE) DOI: 10.1109/5.58337 - 这篇基础论文介绍并解释了时间反向传播（BPTT）算法，该算法对于训练循环神经网络至关重要。
- Speech and Language Processing, Daniel Jurafsky and James H. Martin, 2025 - 在自然语言处理的背景下，全面介绍了循环神经网络，包括其动机、架构和应用。(第三版草案)
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 这是一本权威的教科书，为循环神经网络提供了严谨的理论基础，包括其结构、数学公式和训练方法。
- CS224N: Natural Language Processing with Deep Learning - Lecture Notes on RNNs, Milad Mohammadi, Rohit Mundra, Richard Socher, Lisa Wang, Amita Kamath, 2019 - 提供清晰简洁的讲义，涵盖循环神经网络的基础知识、架构及其在自然语言处理中的应用。(2023年冬季学期)