今天开始一起学习中文自然语言处理
中文NLP一般流程
1. 获取语料
语料，是NLP任务所研究的内容
通常用一个文本集合作为语料库（Corpus）
来源：
已有语料
积累的文档
下载语料
搜狗语料、人民日报语料
抓取语料
2. 语料预处理
1.语料清洗
留下有用的，删掉噪音数据
常见的数据清洗方式
人工去重、对齐、删除和标注等，或者规则提取内容、正则表达式匹配、根据词性和命名实体提取、编写脚本或者代码批处理等。
2.分词
将文本分成词语
常见的分词算法
基于字符串匹配的分词方法、基于理解的分词方法、基于统计的分词方法和基于规则的分词方法
3.词性标注
给词语打词类标签，如形容词、动词、名词等
在情感分析、知识推理等任务中需要
常见的词性标注方法
基于规则
基于统计
如基于最大熵的词性标注、基于统计最大概率输出词性和基于 HMM 的词性标注。
4.去停用词
去掉对文本特征没有任何贡献作用的字词，比如标点符号、语气、人称等
3. 特征工程
把分词表示成计算机能够计算的类型，一般为向量
常用的表示模型
词袋模型（Bag of Word, BOW)
TF-IDF
词向量
One-hot
Word2Vec
4. 特征选择
选择合适的、表达能力强的特征
常见的特征选择方法
有 DF、 MI、 IG、 CHI、WLLR、WFO
5. 模型训练
机器学习模型
KNN、SVM、Naive Bayes、决策树、GBDT、K-means 等
深度学习模型
CNN、RNN、LSTM、 Seq2Seq、FastText、TextCNN
注意过拟合、欠拟合问题
过拟合：在训练集上表现很好，但是在测试集上表现很差。
常见的解决方法有：
增大数据的训练量；
增加正则化项，如 L1 正则和 L2 正则；
特征选取不合理，人工筛选特征和使用特征选择算法；
采用 Dropout 方法等。
欠拟合：就是模型不能够很好地拟合数据
常见的解决方法有：
添加其他特征项；
增加模型复杂度，比如神经网络加更多的层、线性模型通过添加多项式使模型泛化能力更强；
减少正则化参数，正则化的目的是用来防止过拟合的，但是现在模型出现了欠拟合，则需要减少正则化参数。
注意梯度消失和梯度爆炸问题
6. 评价指标
错误率、精度、准确率、精确度、召回率、F1 衡量。
ROC 曲线、AUC 曲线
7. 模型上线应用
第一就是线下训练模型，然后将模型做线上部署
第二种就是在线训练，在线训练完成之后把模型 pickle 持久化
学习资料：
《中文自然语言处理入门实战》