# NLP基础知识
- [常用数据集简介](常用数据集简介.md)
- [推荐更新源](推荐更新源.md)
- [打造NLP工具箱](打造NLP工具箱.md)
- [如何衡量机器学习分类模型](如何衡量机器学习分类模型.md)
- [词袋模型和TFIDF模型](词袋模型和TFIDF模型.md)
- [Word2Vec模型和Doc2Vec模型](Word2Vec模型和Doc2Vec模型.md)
- [自己动手训练word2vec模型](自己动手训练word2vec模型.md)
- [使用多层感知机进行文档分类](使用多层感知机进行文档分类.md)
- [使用fasttext进行文档分类](使用fasttext进行文档分类.md)
- [使用LDA进行文档主题建模](使用LDA进行文档主题建模.md)
- [使用Jieba进行中文词性标注](使用Jieba进行中文词性标注.md)
- [使用TextRank和TFIDF进行关键字自动提取](使用TextRank和TFIDF进行关键字自动提取.md)
- [文档相似度](文档相似度.md)
# NLP应用案例
- [对美食评语进行情感分析](预测Yelp美食评分.md)
# 让机器理解文字
图像、文字和声音是人类接触、理解外部世界最常见的三种形式，其中文字又是最容易保存和进行交换的形式。大量的人类文明，最终都是以文字的形式保留下来的；大量的信息交换，都是是文字的形式进行。如何能让机器可以与人交流，理解人类的思想，最终能像人类一样理解文字以及文字背后的各种想法、意图呢？自然语言处理，即所谓的NLP是重要的支撑技术。
# NLP与安全
在传统的web攻防中，大家与http协议结下了不解之缘。但是在安全领域，web攻防只是很小一个分支。许多明显的与工作和生活无关的垃圾邮件，人一样就可以看出来，但是基于规则的垃圾邮件网关处理起来却总是差强人意。越来越多的电商、论坛甚至是视频网站的弹幕，总是可以看到明显的人身攻击或者违法违规信息，但是基于规则的过滤机制总是被绕过。人类可以很轻松的理解二十四口交换机，知道苹果是水果还是手机，但是机器如何做到呢？答案就是NLP。
# 一本开源的NLP入门书籍
这可能是第一本用开源的思想写的NLP入门书籍，整个写作过程都在我的Github上。
https://github.com/duoergun0729/nlp
之所以想用开源的思路去写，主要是因为NLP技术，尤其是基于机器学习的NLP技术发展非常快，比如目前已经广泛使用的fasttext技术，2016年发布论文，2017年已经进入大量生产领域，但是许多自然语言处理书籍还停留在大学课程的范围，甚至连词向量都很少涉及。相对周期繁琐的纸质书籍编写，在Github上我可以很方便的进行编写和更新，有勘误也可以很快修改。目前我已经完成了其中的三篇，后面我将不断更新内容，大家可以订阅我的Github，或者关注我的微信公众号《**兜哥带你学安全**》
# License
© 2018~2020 兜哥.
本作品采用[知识共享署名-非商业性使用 4.0 国际许可协议](https://creativecommons.org/licenses/by-nc/4.0/)进行许可。没有我许可的任何使用该书进行的商业行为都是违法。
# 打赏
写书不容易，尤其是使用个人休息时间的写作，感谢您的打赏，100不嫌多1块不嫌少。
<img src="打赏.png" width = "200" alt="打赏" align=center />
如果您更喜欢知识星球这种形式，可以加入我的知识星球,NLP相关的问题也可以在星球里面提问。
<img src="知识星球.png" width = "200" alt="知识星球" align=center />
使用MLP(多层感知机)进行情感分析，使用fasttext进行文档分类
需积分: 50 82 浏览量
2018-05-14
19:11:34
上传
评论 3
收藏 3.44MB ZIP 举报
nlp-master.zip （68个子文件） 
nlp-master 
常用数据集简介.md 14KB 打造NLP工具箱.md 6KB
打赏.png 69KB 如何衡量机器学习分类模型.md 4KB Word2Vec模型和Doc2Vec模型.md 8KB 自己动手训练word2vec模型.md 6KB 使用多层感知机进行文档分类.md 6KB 人家对话.png 38KB code ner.py 1KB similarities.py 4KB lda.py 3KB yelp_sentiment_stars.png 15KB progressive-tweet-sentiment.csv 626KB yelp.py 15KB fasttext.py 4KB
stopwords.txt 17KB yelp-mlp-model.png 32KB mlp.py 4KB 预测yelp评分-图6.png 51KB yelp-cnn-model.png 52KB yelp_stars.png 13KB keywords.py 1KB clustering.py 3KB 使用TextRank和TFIDF进行关键字自动提取.md 5KB 公众号.png 26KB 预测Yelp美食评分.md 24KB README.md 4KB 使用fasttext进行文档分类.md 13KB 文档聚类.md 489B 使用LDA进行文档主题建模.md 6KB picture 使用搜狗新闻预料生成word2vec-图1.png 131KB 使用多层感知机进行文档分类-图5.png 189KB 词袋模型和TFIDF模型-图1.png 74KB 使用TextRank和TFIDF进行文档关键字自动提取-图2.png 16KB 预测Yelp美食评分-图2.png 32KB 使用fasttext进行文档分类-图3.png 61KB 使用LDA进行文档主题建模-图1.png 27KB 使用TextRank和TFIDF进行文档关键字自动提取-图1.png 52KB 使用多层感知机进行文档分类-图3.png 40KB 使用fasttext进行文档分类-图2.png 16KB 使用多层感知机进行文档分类-图2.png 139KB 预测Yelp美食评分-图4.png 23KB 常用数据集简介-图3.png 90KB 如何衡量机器学习分类器模型-图2.png 62KB 使用多层感知机进行文档分类-图1.png 627KB 常用数据集-图4.png 300KB 如何衡量机器学习分类器模型-图1.png 27KB 使用LDA进行文档主题建模-图2.png 16KB 使用fasttext进行文档分类-图1.png 227KB 预测Yelp美食评分-图1.png 13KB 文档相似度-图3.png 1KB 常用数据集简介-图1.png 237KB NLP之Word2Vec模型和Doc2Vec模型-图2.png 36KB 预测Yelp美食评分-图6.png 51KB 常用数据集简介-图5.png 198KB 预测Yelp美食评分-图3.png 15KB 使用LDA进行文档主题建模-图3.png 13KB 常用数据集简介-图8.png 304KB Word2Vec模型和Doc2Vec模型-图1.png 34KB 文档相似度-图2.png 1KB 文档相似度-图1.png 89KB 使用多层感知机进行文档分类-图4.png 61KB 文档相似度.md 11KB 词袋模型和TFIDF模型.md 7KB 使用Jieba进行中文词性标注.md 4KB .gitignore 7B 推荐更新源.md 1005B 知识星球.png 63KB资源评论
