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
理解梯度消失问题
这部分内容有帮助吗？
- Learning long-term dependencies with gradient descent is difficult, Yoshua Bengio, Patrice Simard, Paolo Frasconi, 1994 IEEE Transactions on Neural Networks, Vol. 5 (IEEE) DOI: 10.1109/72.279181 - 这篇开创性论文正式识别并分析了循环神经网络中的梯度消失和梯度爆炸问题，为理解这些挑战提供了理论基础。
- Long Short-Term Memory, Sepp Hochreiter, Jürgen Schmidhuber, 1997 Neural Computation, Vol. 9 (MIT Press) DOI: 10.1162/neco.1997.9.8.1735 - 这篇原始论文介绍了长短期记忆（LSTM）网络，该网络专门设计用于缓解循环神经网络中的梯度消失问题。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, 2016 (MIT Press) - 一本关于深度学习概念的权威教科书，包括循环神经网络、时间反向传播以及梯度消失/爆炸问题。