自然語言處理表示計算機系統了解人類語言的能力，它是人工智能的一部分。網上有很多種資源可以幫助你從零開始學習NLP。本文列出了适用于初學者和從業者的一些相關資源。
對于初學者，可以采用兩種傳統的方法—機器學習和深度學習來開始自然語言處理。這兩種方法是不同的，你可以點選
這裡來檢視它們之間的差別。
傳統機器學習傳統的機器學習算法比較複雜，不太容易了解。個人建議使用深度學習來做NLP更快捷。
深度學習（Deep Learning）深度學習是機器學習的一個分支領域，由于人工神經網絡的引入，深度學習比傳統機器學習的表現要好得多。可以通過深度學習來學習NLP，對于初學者可以檢視以下的資源:
· CS224n:這是從零開始通過深度學習來學習NLP的最佳課程。本課程由斯坦福大學主辦，可以點選
通路；
· YoavGolberg的免費和付費的書，是在NLP中開始深度學習的好資源。免費書籍可以在
· 在Jacob Einsenstein的關于GATECH的NLP類的筆記中，覆寫了所有NLP的算法，而NLP類幾乎能處理所有的NLP方法，點選
可以通路他的筆記；
給從業者的自然語言處理的學習資源
如果你是一個資料專家，可能需要如下三種類型的資源:
1、快速入門指南
2、特定問題的檢查方法
3、時常閱讀文章
快速入門指南· 對于NLP的概述，可以從Daniel W. Otter等人的深度學習報告開始，點選
通路。
· Tom Young等人的一篇調查報告總結了基于深度學習的NLP中的所有最新内容，建議從業者開始使用NLP，點選
檢視報告。
· 這有一篇不錯的論文，讓我們了解了如何隐藏循環神經網絡（Recurrent Neural Networks，RNNs）的狀态。我還推薦如下兩篇博文:
o
了解LSTM（Long Short-Term Memory）網絡 擴充的遞歸神經網絡· 卷積神經網絡（Convolutional Neural Networks，CNNs/ConvNets）也可以被用來了解自然語言處理。通過閱讀
這篇論文，你可以想象CNNs如何在NLP中進行應用；
· ShaojieBai等人在
一篇論文中強調了如何将CNNs和RNNs進行比較。PyTorch張量庫所有的代碼是開放的，點選
可以檢視。
特定問題的處理方法從業者需要的另一種類型的資源是，如果要選擇一個算法來執行任務，那麼能夠應用的最好的方法有哪些呢？
文本分類文本分類方面的種類居多，可以是将文本分成不同的類别或檢測文本中的觀點/情感的形式。
我想介紹一個容易了解的我們前些時候在ParallelDots
部落格上做的情感分析技術的調查報告。雖然這項調查是關于情感分析技術的，但是它包含了大多數的文本分類問題。
我們的調查技術性沒有那麼強，但很有趣，并且能夠指導你利用更好的資源來了解概念。有一些Arxiv調查報告技術性非常強，這就需要你閱讀其它的一些論文來深入了解主題。我建議的方法是使用本文中的連結來熟悉，并享受其中的樂趣，但之後建議閱讀我提供的指南。記住，雖然興趣很重要，但技巧有時也很重要，否則很難在新的環境中應用概念。另一個情感分析算法的調查報告可以在
如果你還沒聽說過遷移學習，其實它正在快速地深入到深度學習領域之中。就像在圖檔裡利用ImageNet分類來訓練模型，還可以針對任何分類任務進行微調，在Wikipedia網站上訓練NLP模型，用于語言模組化，目前可以在相對較少的資料量上傳輸學習文本分類。現在我們還沒有關于這個問題的調查報告，但是我可以告訴你在OpenAI上Reuder和Howard的兩篇論文，它們涉及下面所提到的技術:
·
面向文本分類的通用語言模型的微調 生成性預訓練提高語言了解能力在
Fast.ai上有詳細的方法使用文檔。
如果你正在進行兩個不同任務的遷移學習，
将介紹使用Convnets的技巧。恕我直言，這些技術将逐漸地采用其它的分類方法。我們還釋出了Zero Shot文本分類上的工作成果，并得到了不錯的準确性，沒有任何資料集上的訓練，而且正在緻力于後面深入的工作。我們已經建了一個通常稱為自定義分類器的文本分類API，你可以在其中定義自己的類别，可以點選檢視
demo。
序列标注序列标注是一個給字詞加屬性的工作，其中包括詞性标注、命名的實體識别、關鍵詞标注等。我們寫了一個有趣的任務檢驗方法，請點選檢視
關于這些問題，你可以檢視今年COLING大會上的一篇論文，它給出了訓練序列标注算法的最優準則，可以點選
檢視。
機器翻譯· 近來NLP最大的進步是提供了将文本從一種語言翻譯成另一種語言的算法。Google的系統是一個16層的LSTM，并給出了最優翻譯結果；
· 關于機器翻譯的更多教程，你可以參考Philip Koehn的
論文。點選
可以檢視有關利用深度學習來進行機器翻譯的詳細資料。
這裡有兩篇我非常喜歡的論文:
· 當你有足夠多的資料時，
Google論文會告訴你如何全面完整地解決問題；
· Facebook的卷積機器翻譯系統和相關代碼作為一個庫釋出在
；
https://marian-nmt.github.io/,這是一個關于快速翻譯的C++語言架構，
http://www.aclweb.org/anthology/P18-4020 http://opennmt.net/,使每個人都能訓練自己的機器翻譯系統；
常見問題 SQuAD資料集是一個問答資料集，它用來測試算法閱讀了解和回答問題的能力。微軟今年早些時候釋出了一篇論文，聲稱他們在這一領域的NLP成果已經達到了相當于人類水準的準确性，可以在
檢視論文。另一個重要的算法是
Allen AI的
BiDAF（Bi-Directional Attention Flow）；
· 另一個重要算法是關于視覺問答的，給出了關于圖像問題的答案。在2017年的VQA挑戰賽上，Teney等人發表的論文是一個很好的基礎入門資料，可以在GITHUB上找到相關的實作
代碼· 在現實生活中，對大型文檔的提取式問答可以利用遷移學習來實作，點選
可以查到相關論文。這裡有一篇非常好的
駁斥了問答算法的“了解”，如果你正從事相關的工作，強烈建議閱讀。
釋義、語句相似度或推理語句對比的工作，NLP有三個不同的任務: 語句相似度, 釋義檢測和自然語言推理（Natural Language Inference，NLI)，為此，每一個任務都需要有比以前更多的語義了解。
MultiNLI及其子集Stanford NLI是最著名的基準資料集，并且在最近成為了研究的熱點。還有用于釋義檢測的MS Paraphrase Corpus和Quora Corpus以及用于STS（語義文本相似性）的SemEval資料集。在這個領域關于進階模型的調查報告點選
可以通路到。
在這個領域中，我非常喜歡的論文有以下幾篇:
· Omar Levy小組的一篇
表明了即使是簡單的算法也能夠執行操作，這是因為算法沒有學習“推理”。
· BiMPM（雙邊多角度句子比對）是一個預測釋義的好模型，可以點選
· 還有一項用于釋義檢測的新工作，它把關系網絡應用到語句表示上面了，并在今年的AINL會議上得到了認可，可以點選
閱讀相關資訊。
其它領域 語言模組化 (LM)—語言模組化是關于學習一種語言的無監督表示的過程，這是通過給出一個語句中前n個詞來預測第（n＋1）個詞完成的。這些模型有兩個重要的實際環境應用，一個是自動完成模組化，另外一個是作為上文中提到的用于文本分類的遷移學習基礎模型。點選
可以檢視一個比較長的調查報告。如果你對如何在手機或者搜尋引擎中根據搜尋曆史記錄自動完成LSTMs感興趣，這裡推薦一篇很好的
關系提取 —關系提取是指在一個句子中抽取實體之間關系的行為。是以，所給句子中“A是作為r到B的關聯”，你會得到三重關系（A，r，B）。在該領域中研究工作的調查報告可以點選
檢視。我還發現了一篇
非常不錯，是使用BiDAF進行Zero Shot關系提取的。
對話系統随着聊天機器人的出現，對話系統現在非常流行。許多人将對話系統作為意圖檢測、關鍵詞檢測、問題回答等模型的實作，而一些人則試着進行全面模組化。我也順便提一下Parl.ai，這是Facebook AI的一個人工智能對話技術架構。
文本摘要文本摘要是從文檔中擷取濃縮的文本。有兩種方法可以完成這個工作：提取摘要和抽象概括。提取摘要是從文章中抽取出最具資訊含量的句子，而抽象概括的目的是像人一樣寫摘要。這個來自Eintein AI的
将抽象概括帶進了主流研究。
自然語言生成 (NLG)—自然語言生成是關于計算機旨在像人類一樣寫作的研究，這可以是寫故事、詩歌、圖檔的标題等等。其中，目前的研究已經能夠在圖檔标題上做的很好，LSTM和注意機制的結合已經給出了可以用在實際生活中的成果。
是相關技術的調查報告。
本文由北郵
@愛可可-愛生活老師推薦，
阿裡雲雲栖社群組織翻譯。
文章原标題《List of free resources to learn Natural Language Processing
》
作者：
Shashank Gupta譯者：奧特曼，審校：袁虎。
文章為簡譯，更為詳細的内容，請檢視
原文