中圖網(wǎng)小程序
一鍵登錄
更方便
自然語言處理:基于預(yù)訓(xùn)練模型的方法 版權(quán)信息
- ISBN：9787121415128
- 條形碼：9787121415128 ; 978-7-121-41512-8
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
自然語言處理:基于預(yù)訓(xùn)練模型的方法 本書特色
適讀人群 ：具有一定機(jī)器學(xué)習(xí)基礎(chǔ)的高等院校學(xué)生、研究機(jī)構(gòu)的研究者，以及希望深入研究自然語言處理算法的計(jì)算機(jī)工程師√ 本書得到歐洲科學(xué)院外籍院士、清華大學(xué)人工智能研究院常務(wù)副院長孫茂松教授作序。 √ 創(chuàng)新工場首席科學(xué)家、微軟亞洲研究院原副院長、中國計(jì)算機(jī)學(xué)會副理事長、國際計(jì)算語言學(xué)會（ACL）（2019年）主席周明老師，字節(jié)跳動人工智能實(shí)驗(yàn)室總監(jiān)李航教授，科大訊飛執(zhí)行總裁胡郁老師傾力推薦。 √ 本書從基礎(chǔ)知識、預(yù)訓(xùn)練詞向量、預(yù)訓(xùn)練模型等幾大方面全面系統(tǒng)地介紹了預(yù)訓(xùn)練語言模型技術(shù)。 √ 書中為代表性的模型提供了規(guī)范的示例代碼及實(shí)踐案例。 √ 本書采用全彩印刷，提供良好的閱讀體驗(yàn)。
自然語言處理:基于預(yù)訓(xùn)練模型的方法 內(nèi)容簡介
自然語言處理被譽(yù)為“人工智能皇冠上的明珠”。深度學(xué)習(xí)等技術(shù)的引入為自然語言處理技術(shù)帶來了一場革命，尤其是近年來出現(xiàn)的基于預(yù)訓(xùn)練模型的方法，已成為研究自然語言處理的新范式。本書在介紹自然語言處理、深度學(xué)習(xí)等基本概念的基礎(chǔ)上，重點(diǎn)介紹新的基于預(yù)訓(xùn)練模型的自然語言處理技術(shù)。本書包括基礎(chǔ)知識、預(yù)訓(xùn)練詞向量和預(yù)訓(xùn)練模型三大部分：基礎(chǔ)知識部分介紹自然語言處理和深度學(xué)習(xí)的基礎(chǔ)知識和基本工具；預(yù)訓(xùn)練詞向量部分介紹靜態(tài)詞向量和動態(tài)詞向量的預(yù)訓(xùn)練方法及應(yīng)用；預(yù)訓(xùn)練模型部分介紹幾種典型的預(yù)訓(xùn)練語言模型及應(yīng)用，以及預(yù)訓(xùn)練模型的近期新進(jìn)展。除了理論知識，本書還有針對性地結(jié)合具體案例提供相應(yīng)的PyTorch 代碼實(shí)現(xiàn)，不僅能讓讀者對理論有更深刻的理解，還能快速地實(shí)現(xiàn)自然語言處理模型，達(dá)到理論和實(shí)踐的統(tǒng)一。本書既適合具有一定機(jī)器學(xué)習(xí)基礎(chǔ)的高等院校學(xué)生、研究機(jī)構(gòu)的研究者，以及希望深入研究自然語言處理算法的計(jì)算機(jī)工程師閱讀，也適合對人工智能、深度學(xué)習(xí)和自然語言處理感興趣的學(xué)生和希望進(jìn)入人工智能應(yīng)用領(lǐng)域的研究者參考。
自然語言處理:基于預(yù)訓(xùn)練模型的方法 目錄
目錄
推薦序/III
推薦語/IV
前言/V
數(shù)學(xué)符號/IX
第1 章緒論/1
1.1 自然語言處理的概念/2
1.2 自然語言處理的難點(diǎn)/2
1.2.1 抽象性/ 2
1.2.2 組合性/ 2
1.2.3 歧義性/3
1.2.4 進(jìn)化性/3
1.2.5 非規(guī)范性/3
1.2.6 主觀性/3
1.2.7 知識性/3
1.2.8 難移植性/4
1.3 自然語言處理任務(wù)體系/4
1.3.1 任務(wù)層級/4
1.3.2 任務(wù)類別/5
1.3.3 研究對象與層次/6
1.4 自然語言處理技術(shù)發(fā)展歷史/7
第2 章自然語言處理基礎(chǔ)/11
2.1 文本的表示/12
2.1.1 詞的獨(dú)熱表示/13
2.1.2 詞的分布式表示/13
2.1.3 詞嵌入表示/19
2.1.4 文本的詞袋表示 /19
2.2 自然語言處理任務(wù) /20
2.2.1 語言模型/20
2.2.2 自然語言處理基礎(chǔ)任務(wù)/23
2.2.3 自然語言處理應(yīng)用任務(wù)/31
2.3 基本問題 /35
2.3.1 文本分類問題/35
2.3.2 結(jié)構(gòu)預(yù)測問題/ 36
2.3.3 序列到序列問題/38
2.4 評價(jià)指標(biāo)/40
2.5 小結(jié)/43
第3 章基礎(chǔ)工具集與常用數(shù)據(jù)集45
3.1 NLTK 工具集/46
3.1.1 常用語料庫和詞典資源/46
3.1.2 常用自然語言處理工具集 /49
3.2 LTP 工具集/51
3.2.1 中文分詞/51
3.2.2 其他中文自然語言處理功能/52
3.3 PyTorch 基礎(chǔ)/52
3.3.1 張量的基本概念/53
3.3.2 張量的基本運(yùn)算/54
3.3.3 自動微分/57
3.3.4 調(diào)整張量形狀/58
3.3.5 廣播機(jī)制/ 59
3.3.6 索引與切片/60
3.3.7 降維與升維 / 60
3.4 大規(guī)模預(yù)訓(xùn)練數(shù)據(jù) /61
3.4.1 維基百科數(shù)據(jù)/62
3.4.2 原始數(shù)據(jù)的獲取/62
3.4.3 語料處理方法/ 62
3.4.4 Common Crawl 數(shù)據(jù)/66
3.5 更多數(shù)據(jù)集 /66
3.6 小結(jié) /68
第4 章自然語言處理中的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)/69
4.1 多層感知器模型/70
4.1.1 感知器/70
4.1.2 線性回歸 /71
4.1.3 Logistic 回歸/71
4.1.4 Softmax 回歸 /72
4.1.5 多層感知器 /74
4.1.6 模型實(shí)現(xiàn) /76
4.2 卷積神經(jīng)網(wǎng)絡(luò)/78
4.2.1 模型結(jié)構(gòu) /78
4.2.2 模型實(shí)現(xiàn) /80
4.3 循環(huán)神經(jīng)網(wǎng)絡(luò)/83
4.3.1 模型結(jié)構(gòu)/ 83
4.3.2 長短時(shí)記憶網(wǎng)絡(luò) / 85
4.3.3 模型實(shí)現(xiàn)/ 87
4.3.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的序列到序列模型/88
4.4 注意力模型 /89
4.4.1 注意力機(jī)制/89
4.4.2 自注意力模型/90
4.4.3 Transformer/ 91
4.4.4 基于Transformer 的序列到序列模型/93
4.4.5 Transformer 模型的優(yōu)缺點(diǎn)/ 94
4.4.6 模型實(shí)現(xiàn)/94
4.5 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練/96
4.5.1 損失函數(shù)/96
4.5.2 梯度下降 /98
4.6 情感分類實(shí)戰(zhàn)/101
4.6.1 詞表映射/101
4.6.2 詞向量層/ 102
4.6.3 融入詞向量層的多層感知器/103
4.6.4 數(shù)據(jù)處理/106
4.6.5 多層感知器模型的訓(xùn)練與測試/108
4.6.6 基于卷積神經(jīng)網(wǎng)絡(luò)的情感分類 / 109
4.6.7 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的情感分類/110
4.6.8 基于Transformer 的情感分類/111
4.7 詞性標(biāo)注實(shí)戰(zhàn) /113
4.7.1 基于前饋神經(jīng)網(wǎng)絡(luò)的詞性標(biāo)注 /114
4.7.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的詞性標(biāo)注 /114
4.7.3 基于Transformer 的詞性標(biāo)注/116
4.8 小結(jié)/116
第5 章靜態(tài)詞向量預(yù)訓(xùn)練模型/119
5.1 神經(jīng)網(wǎng)絡(luò)語言模型 /120
5.1.1 預(yù)訓(xùn)練任務(wù)/120
5.1.2 模型實(shí)現(xiàn)/124
5.2 Word2vec 詞向量 /130
5.2.1 概述/ 130
5.2.2 負(fù)采樣/133
5.2.3 模型實(shí)現(xiàn)/134
5.3 GloVe 詞向量/140
5.3.1 概述/140
5.3.2 預(yù)訓(xùn)練任務(wù)/140
5.3.3 參數(shù)估計(jì)/140
5.3.4 模型實(shí)現(xiàn)/141
5.4 評價(jià)與應(yīng)用/143
5.4.1 詞義相關(guān)性/144
5.4.2 類比性/146
5.4.3 應(yīng)用/147
5.5 小結(jié)/148
第6 章動態(tài)詞向量預(yù)訓(xùn)練模型/151
6.1 詞向量——從靜態(tài)到動態(tài)/ 152
6.2 基于語言模型的動態(tài)詞向量預(yù)訓(xùn)練/153
6.2.1 雙向語言模型/153
6.2.2 ELMo 詞向量/155
6.2.3 模型實(shí)現(xiàn)/156
6.2.4 應(yīng)用與評價(jià)/169
6.3 小結(jié)/171
第7 章預(yù)訓(xùn)練語言模型/173
7.1 概述/174
7.1.1 大數(shù)據(jù)/174
7.1.2 大模型/175
7.1.3 大算力/175
7.2 GPT /177
7.2.1 無監(jiān)督預(yù)訓(xùn)練/178
7.2.2 有監(jiān)督下游任務(wù)精調(diào)/179
7.2.3 適配不同的下游任務(wù)/180
7.3 BERT/182
7.3.1 整體結(jié)構(gòu)/182
7.3.2 輸入表示/ 183
7.3.3 基本預(yù)訓(xùn)練任務(wù)/184
7.3.4 更多預(yù)訓(xùn)練任務(wù) /190
7.3.5 模型對比/194
7.4 預(yù)訓(xùn)練語言模型的應(yīng)用/194
7.4.1 概述/194
7.4.2 單句文本分類/195
7.4.3 句對文本分類/ 198
7.4.4 閱讀理解/201
7.4.5 序列標(biāo)注/206
7.5 深入理解BERT /211
7.5.1 概述/ 211
7.5.2 自注意力可視化分析 / 212
7.5.3 探針實(shí)驗(yàn)/ 213
7.6 小結(jié)/215
第8 章預(yù)訓(xùn)練語言模型進(jìn)階/217
8.1 模型優(yōu)化 /218
8.1.1 XLNet/218
8.1.2 RoBERTa/223
8.1.3 ALBERT/227
8.1.4 ELECTRA/229
8.1.5 MacBERT/232
8.1.6 模型對比/234
8.2 長文本處理 /234
8.2.1 概述/234
8.2.2 Transformer-XL/235
8.2.3 Reformer/238
8.2.4 Longformer /242
8.2.5 BigBird/243
8.2.6 模型對比/244
8.3 模型蒸餾與壓縮 / 244
8.3.1 概述/244
8.3.2 DistilBERT /246
8.3.3 TinyBERT/ 248
8.3.4 MobileBERT /250
8.3.5 TextBrewer/252
8.4 生成模型/ 257
8.4.1 BART / 257
8.4.2 UniLM/260
8.4.3 T5 /263
8.4.4 GPT-3/264
8.4.5 可控文本生成 /265
8.5 小結(jié)/267
第9 章多模態(tài)融合的預(yù)訓(xùn)練模型/269
9.1 多語言融合/ 270
9.1.1 多語言BERT /270
9.1.2 跨語言預(yù)訓(xùn)練語言模型 /272
9.1.3 多語言預(yù)訓(xùn)練語言模型的應(yīng)用/273
9.2 多媒體融合/274
9.2.1 VideoBERT /274
9.2.2 VL-BERT / 275
9.2.3 DALL·E/ 275
9.2.4 ALIGN/276
9.3 異構(gòu)知識融合/276
9.3.1 融入知識的預(yù)訓(xùn)練/277
9.3.2 多任務(wù)學(xué)習(xí) / 282
9.4 更多模態(tài)的預(yù)訓(xùn)練模型/285
9.5 小結(jié)/ 285
參考文獻(xiàn)/287
術(shù)語表/297
展開全部
自然語言處理:基于預(yù)訓(xùn)練模型的方法 節(jié)選
預(yù)訓(xùn)練模型并不是自然語言處理領(lǐng)域的“首創(chuàng)”技術(shù)。在計(jì)算機(jī)視覺（ComputerVision，CV）領(lǐng)域，以ImageNet[14] 為代表的大規(guī)模圖像數(shù)據(jù)為圖像識別、圖像分割等任務(wù)提供了良好的數(shù)據(jù)基礎(chǔ)。因此，在計(jì)算機(jī)視覺領(lǐng)域，通常會使用ImageNet進(jìn)行一次預(yù)訓(xùn)練，讓模型從海量圖像中充分學(xué)習(xí)如何從圖像中提取特征。然后，會根據(jù)具體的目標(biāo)任務(wù)，使用相應(yīng)的領(lǐng)域數(shù)據(jù)精調(diào)，使模型進(jìn)一步“靠近”目標(biāo)任務(wù)的應(yīng)用場景，起到領(lǐng)域適配和任務(wù)適配的作用。這好比人們在小學(xué)、初中和高中階段會學(xué)習(xí)數(shù)學(xué)、語文、物理、化學(xué)和地理等基礎(chǔ)知識，夯實(shí)基本功并構(gòu)建基本的知識體系（預(yù)訓(xùn)練階段）。而當(dāng)人們步入大學(xué)后，將根據(jù)選擇的專業(yè)（目標(biāo)任務(wù)）學(xué)習(xí)某一領(lǐng)域更深層次的知識（精調(diào)階段）。從以上介紹中可以看出，“預(yù)訓(xùn)練+ 精調(diào)”模式在自然語言處理領(lǐng)域的興起并非偶然現(xiàn)象。 由于自然語言處理的核心在于如何更好地建模語言，所以在自然語言處理領(lǐng)域中，預(yù)訓(xùn)練模型通常指代的是預(yù)訓(xùn)練語言模型。廣義上的預(yù)訓(xùn)練語言模型可以泛指提前經(jīng)過大規(guī)模數(shù)據(jù)訓(xùn)練的語言模型，包括早期的以Word2vec、GloVe 為代表的靜態(tài)詞向量模型，以及基于上下文建模的CoVe、ELMo 等動態(tài)詞向量模型。在2018 年，以GPT 和BERT 為代表的基于深層Transformer 的表示模型出現(xiàn)后，預(yù)訓(xùn)練語言模型這個(gè)詞才真正被大家廣泛熟知。因此，目前在自然語言處理領(lǐng)域中提到的預(yù)訓(xùn)練語言模型大多指此類模型。預(yù)訓(xùn)練語言模型的出現(xiàn)使得自然語言處理進(jìn)入新的時(shí)代，也被認(rèn)為是近些年來自然語言處理領(lǐng)域中的里程碑事件。相比傳統(tǒng)的文本表示模型，預(yù)訓(xùn)練語言模型具有“三大”特點(diǎn)——大數(shù)據(jù)、大模型和大算力。接下來介紹這“三大”特點(diǎn)代表的具體含義。 1. 大數(shù)據(jù) “工欲善其事，必先利其器。”要想學(xué)習(xí)更加豐富的文本語義表示，就需要獲取文本在不同上下文中出現(xiàn)的情況，因此大規(guī)模的文本數(shù)據(jù)是必不可少的。獲取足夠多的大規(guī)模文本數(shù)據(jù)是訓(xùn)練一個(gè)好的預(yù)訓(xùn)練語言模型的開始。因此，預(yù)訓(xùn)練數(shù)據(jù)需要講究“保質(zhì)”和“保量”。 ??“保質(zhì)”是希望預(yù)訓(xùn)練語料的質(zhì)量要盡可能高，避免混入過多的低質(zhì)量語料。這與訓(xùn)練普通的自然語言處理模型的標(biāo)準(zhǔn)基本是一致的； ??“保量”是希望預(yù)訓(xùn)練語料的規(guī)模要盡可能大，從而獲取更豐富的上下文信息。 在實(shí)際情況中，預(yù)訓(xùn)練數(shù)據(jù)往往來源不同。精細(xì)化地預(yù)處理所有不同來源的數(shù)據(jù)是非常困難的。因此，在預(yù)訓(xùn)練數(shù)據(jù)的準(zhǔn)備過程中，通常不會進(jìn)行非常精細(xì)化地處理，僅會預(yù)處理語料的共性問題。同時(shí)，通過增大語料規(guī)模進(jìn)一步稀釋低質(zhì)量語料的比重，從而降低質(zhì)量較差的語料對預(yù)訓(xùn)練過程帶來的負(fù)面影響。 2. 大模型 在有了大數(shù)據(jù)后，就需要有一個(gè)足以容納這些數(shù)據(jù)的模型。數(shù)據(jù)規(guī)模和模型規(guī)模在一定程度上是正相關(guān)的。當(dāng)在小數(shù)據(jù)上訓(xùn)練模型時(shí)，通常模型的規(guī)模不會太大，以避免出現(xiàn)過擬合現(xiàn)象。而當(dāng)在大數(shù)據(jù)上訓(xùn)練模型時(shí)，如果不增大模型規(guī)模，可能會造成新的知識無法存放的情況，從而無法完全涵蓋大數(shù)據(jù)中豐富的語義信息。因此，需要一個(gè)容量足夠大的模型來學(xué)習(xí)和存放大數(shù)據(jù)中的各種特征。在機(jī)器學(xué)習(xí)中，“容量大”通常指的是模型的“參數(shù)量大”。那么，如何設(shè)計(jì)這樣一個(gè)參數(shù)量較大的模型呢？這里主要考慮以下兩個(gè)方面。 ?? 模型需要具有較高的并行程度，以彌補(bǔ)大模型帶來的訓(xùn)練速度下降的問題； ?? 模型能夠捕獲并構(gòu)建上下文信息，以充分挖掘大數(shù)據(jù)文本中豐富的語義信息。 綜合以上兩點(diǎn)條件，基于Transformer 的神經(jīng)網(wǎng)絡(luò)模型成為目前構(gòu)建預(yù)訓(xùn)練語言模型的*佳選擇。首先，Transformer 模型具有較高的并行程度。Transformer 核心部分的多頭自注意力機(jī)制（Multi-head Self-attention）[15] 不依賴于順序建模，因此可以快速地并行處理。與此相反，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)語言模型通；谘h(huán)神經(jīng)網(wǎng)絡(luò)（RNN），而RNN 需要按照序列順序處理，并行化程度較低。其次，Transformer 中的多頭自注意力機(jī)制能夠有效地捕獲不同詞之間的關(guān)聯(lián)程度，并且能夠通過多頭機(jī)制從不同維度刻畫這種關(guān)聯(lián)程度，使得模型能夠得到更加精準(zhǔn)的計(jì)算結(jié)果。因此，主流的預(yù)訓(xùn)練語言模型無一例外都使用了Transformer 作為模型的主體結(jié)構(gòu)。 3. 大算力 即使擁有了大數(shù)據(jù)和大模型，但如果沒有與之相匹配的大算力，預(yù)訓(xùn)練語言模型也很難得以實(shí)現(xiàn)。為了訓(xùn)練預(yù)訓(xùn)練語言模型，除了大家熟知的深度學(xué)習(xí)計(jì)算設(shè)備——圖形處理單元（Graphics Processing Unit, GPU），還有后起之秀——張量處理單元（Tensor Processing Unit, TPU）。下面就這兩種常見的深度學(xué)習(xí)計(jì)算設(shè)備進(jìn)行簡單的介紹。
自然語言處理:基于預(yù)訓(xùn)練模型的方法 作者簡介
車萬翔 博士，哈爾濱工業(yè)大學(xué)計(jì)算學(xué)部長聘教授、博士生導(dǎo)師，社會計(jì)算與信息檢索研究中心副主任。教育部青年長江學(xué)者，黑龍江省“龍江學(xué)者”青年學(xué)者，斯坦福大學(xué)訪問學(xué)者，F(xiàn)任中國中文信息學(xué)會計(jì)算語言學(xué)專業(yè)委員會副主任兼秘書長；國際計(jì)算語言學(xué)學(xué)會亞太分會（AACL）執(zhí)委兼秘書長；中國計(jì)算機(jī)學(xué)會高級會員。在ACL、EMNLP、AAAI、IJCAI等國內(nèi)外高水平期刊和會議上發(fā)表學(xué)術(shù)論文50余篇，其中AAAI 2013年的文章獲得了最佳論文提名獎(jiǎng)，論文累計(jì)被引用4,600余次（Google Scholar數(shù)據(jù)），H-index值為37。出版教材 2 部，譯著 2 部。目前承擔(dān)2030“新一代人工智能”重大項(xiàng)目課題、國家自然科學(xué)基金等多項(xiàng)科研項(xiàng)目。負(fù)責(zé)研發(fā)的語言技術(shù)平臺（LTP）已被600余家單位共享，提供的在線“語言云”服務(wù)已有用戶1萬余人，并授權(quán)給百度、騰訊、華為等公司使用。2018、2019連續(xù)兩年獲CoNLL國際評測No.1。2020年獲黑龍江省青年科技獎(jiǎng)；2015、2016連續(xù)兩年獲Google Focused Research Award（谷歌專注研究獎(jiǎng)）；2016年獲黑龍江省科技進(jìn)步一等獎(jiǎng)（排名第2）；2012年獲黑龍江省技術(shù)發(fā)明獎(jiǎng)二等獎(jiǎng)（排名第2）；2010年獲中國中文信息學(xué)會“錢偉長”中文信息處理科學(xué)技術(shù)獎(jiǎng)一等獎(jiǎng)（排名第2）、首屆漢王青年創(chuàng)新獎(jiǎng)（個(gè)人）等多項(xiàng)獎(jiǎng)勵(lì)。2017年，所主講的MOOC課程《高級語言程序設(shè)計(jì)（Python）》獲國家精品在線開放課程。 郭江 麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室，博士后研究員。畢業(yè)于哈爾濱工業(yè)大學(xué)社會計(jì)算與信息檢索研究中心，約翰斯·霍普金斯大學(xué)聯(lián)合培養(yǎng)博士，研究方向?yàn)樽匀徽Z言處理與機(jī)器學(xué)習(xí)。在人工智能、自然語言處理領(lǐng)域國際重要會議及期刊（如ACL、EMNLP、AAAI等）發(fā)表論文20余篇。是被業(yè)界廣泛應(yīng)用的中文語言技術(shù)平臺LTP的主要研發(fā)者之一。2015年，獲百度獎(jiǎng)學(xué)金；2018年，獲中文信息學(xué)會“優(yōu)秀博士學(xué)位論文”提名獎(jiǎng)。 崔一鳴 科大訊飛北京研究院副院長、資深級主管研究員。畢業(yè)于哈爾濱工業(yè)大學(xué)，獲工學(xué)學(xué)士和碩士學(xué)位，并繼續(xù)攻讀博士學(xué)位。主要從事閱讀理解、預(yù)訓(xùn)練模型等自然語言處理相關(guān)領(lǐng)域的核心技術(shù)研究工作，致力于推動中文機(jī)器閱讀理解和中文預(yù)訓(xùn)練模型的研究與發(fā)展。曾多次獲得機(jī)器翻譯、機(jī)器閱讀理解、自然語言理解評測冠軍，其中包括機(jī)器閱讀理解權(quán)威評測SQuAD、自然語言理解權(quán)威評測GLUE等。所研制的中文閱讀理解及預(yù)訓(xùn)練模型開源項(xiàng)目被業(yè)界廣泛應(yīng)用，在GitHub累計(jì)獲得1萬以上星標(biāo)，HuggingFace平臺月均調(diào)用量達(dá)到100萬次。發(fā)表學(xué)術(shù)論文30余篇（包括ACL、EMNLP、AAAI等高水平論文），申請發(fā)明專利20余項(xiàng)。擔(dān)任EMNLP 2021和NLPCC 2021領(lǐng)域主席，擔(dān)任NLP和AI領(lǐng)域頂級國際會議和國際ESI期刊審稿人職務(wù)。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
苦雨齋序跋文-周作人自編集
- >
巴金－再思錄
- >
回憶愛瑪儂
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
經(jīng)典常談
- >
二體千字文
本類暢銷
