更新链接信息

docs/nlp/1.自然语言处理入门介绍.md

 # 自然语言处理介绍
 
 * 语言是知识和思维的载体
-* 自然语言处理 (Natural Language Processing, NLP) 是计算机科学，人工智能，语言学关注计算机和人类（自然）语言之间的相互作用的领域。
+* 自然语言处理 (Natural Language Processing, NLP) 是计算机科学，人工智能，语言学关注计算机和人类(自然)语言之间的相互作用的领域。
 
 ## NLP相关的技术
 
 | 中文 | 英文 | 描述 |
 | --- | --- | --- |
 | 分词 | Word Segmentation | 将连续的自然语言文本，切分成具有语义合理性和完整性的词汇序列 |
-| 命名实体识别 | Named Entity Recognition | 识别自然语言文本中具有特定意义的实体（人、地、机构、时间、作品等） |
-| 词性标注 | Part-Speech Tagging | 为自然语言文本中的每个词汇赋予一个词性（名词、动词、形容词等） |
-| 依存句法分析 | Dependency Parsing | 自动分析句子中的句法成分（主语、谓语、宾语、定语、状语和补语等成分） |
+| 命名实体识别 | Named Entity Recognition | 识别自然语言文本中具有特定意义的实体(人、地、机构、时间、作品等) |
+| 词性标注 | Part-Speech Tagging | 为自然语言文本中的每个词汇赋予一个词性(名词、动词、形容词等) |
+| 依存句法分析 | Dependency Parsing | 自动分析句子中的句法成分(主语、谓语、宾语、定语、状语和补语等成分) |
 | 词向量与语义相似度 | Word Embedding & Semantic Similarity | 依托全网海量数据和深度神经网络技术，实现了对词汇的向量化表示，并据此实现了词汇的语义相似度计算 |
 | 文本语义相似度 | Text Semantic Similarity | 依托全网海量数据和深度神经网络技术，实现文本间的语义相似度计算的能力 |
 | 篇章分析 | Document Analysis | 分析篇章级文本的内在结构，进而分析文本情感倾向，提取评论性观点，并生成反映文本关键信息的标签与摘要 |
@@ -18,66 +18,70 @@
 
 ## 场景案例
 
-### 案例1（解决交叉歧义）
+### 案例1(解决交叉歧义)
 
-**分词（Word Segmentation）** ：将连续的自然语言文本，切分成具有语义合理性和完整性的词汇序列
+**分词(Word Segmentation)** : 将连续的自然语言文本，切分成具有语义合理性和完整性的词汇序列
 
-例句：致毕业和尚未毕业的同学。
+例句: 致毕业和尚未毕业的同学。
+
+分词:  
 
-分词： 
 1. `致` `毕业` `和` `尚未` `毕业` `的` `同学`
 2. `致` `毕业` `和尚` `未` `毕业` `的` `同学`
 
-推荐：
+推荐: 
+
 1. 校友 和 老师 给 尚未 毕业 同学 的 一 封 信
 2. 本科 未 毕业 可以 当 和尚 吗
 
-### 案例2（从粒度整合未登录体词）
+### 案例2(从粒度整合未登录体词)
+
+**命名实体识别(Named Entity Recognition)**: 识别自然语言文本中具有特定意义的实体(人、地、机构、时间、作品等)
+
+例句: 天使爱美丽在线观看
 
-**命名实体识别（Named Entity Recognition）**：识别自然语言文本中具有特定意义的实体（人、地、机构、时间、作品等）
+分词: `天使` `爱` `美丽` `在线` `观看`
 
-例句：天使爱美丽在线观看
+实体:  天使爱美丽 -> 电影
 
-分词：`天使` `爱` `美丽` `在线` `观看`
+推荐: 
 
-实体： 天使爱美丽 -> 电影
+1. 网页: 天使爱美丽 土豆 高清视频
+2. 网页: 在线直播爱美丽的天使
 
-推荐：
-1. 网页：天使爱美丽 土豆 高清视频
-2. 网页：在线直播爱美丽的天使
+### 案例3(结构歧义问题)
 
-### 案例3（结构歧义问题）
+* **词性标注(Part-Speech Tagging)**:  为自然语言文本中的每个词汇赋予一个词性(名词、动词、形容词等)
+* **依存句法分析(Dependency Parsing)**: 自动分析句子中的句法成分(主语、谓语、宾语、定语、状语和补语等成分)
 
-**词性标注（Part-Speech Tagging）**： 为自然语言文本中的每个词汇赋予一个词性（名词、动词、形容词等）
-**依存句法分析（Dependency Parsing）**：自动分析句子中的句法成分（主语、谓语、宾语、定语、状语和补语等成分）
+评论: 房间里还可以欣赏日出
 
-评论：房间里还可以欣赏日出
+歧义:
 
-歧义： 
 1. 房间还可以
 2. 可以欣赏日出
 
-词性：（？？？）
-房间里：主语
-还可以：谓语
-欣赏日出： 动宾短语
+* 词性: (？？？)
+* 房间里: 主语
+* 还可以: 谓语
+* 欣赏日出:  动宾短语
 
-### 案例4（词汇语言相似度）
+### 案例4(词汇语言相似度)
 
-**词向量与语义相似度（Word Embedding & Semantic Similarity）**：对词汇进行向量化表示，并据此实现词汇的语义相似度计算。
+**词向量与语义相似度(Word Embedding & Semantic Similarity)**: 对词汇进行向量化表示，并据此实现词汇的语义相似度计算。
 
-例如：西瓜 与 （呆瓜/草莓），哪个更接近？
+例如: 西瓜 与 (呆瓜/草莓)，哪个更接近？
 
-向量化表示：               西瓜(0.1222, 0.22333, .. )
-相似度计算：    呆瓜（0.115）                草莓（0.325）
-向量化表示：(-0.333, 0.1223 .. )      (0.333， 0.3333, .. )
+* 向量化表示: 西瓜(0.1222, 0.22333, .. )
+* 相似度计算: 呆瓜(0.115)           草莓(0.325)
+* 向量化表示: (-0.333, 0.1223 .. )  (0.333， 0.3333, .. )
 
-### 案例5（文本语义相似度）
+### 案例5(文本语义相似度)
 
-**文本语义相似度（Text Semantic Similarity）**：依托全网海量数据和深度神经网络技术，实现文本间的语义相似度计算的能力
+**文本语义相似度(Text Semantic Similarity)**: 依托全网海量数据和深度神经网络技术，实现文本间的语义相似度计算的能力
 
-例如：车头如何防止车牌 与 （前牌照怎么装/如何办理北京牌照），哪个更接近？
+例如: 车头如何防止车牌 与 (前牌照怎么装/如何办理北京牌照)，哪个更接近？
 
-向量化表示：               车头如何防止车牌(0.1222, 0.22333, .. )
-相似度计算：    前牌照怎么装（0.762）                如何办理北京牌照（0.486）
-向量化表示：    (-0.333, 0.1223 .. )              (0.333， 0.3333, .. )
+* 向量化表示: 车头如何防止车牌(0.1222, 0.22333, .. )
+* 相似度计算: 前牌照怎么装(0.762)     如何办理北京牌照(0.486)
+* 向量化表示: (-0.333, 0.1223 .. )   (0.333， 0.3333, .. )

docs/nlp/3.1.篇章分析-内容概述.md

@@ -27,4 +27,4 @@
 
 ## 篇章分析任务
 
-![篇章分析任务/img/NLP/3.1.篇章分析-内容标签/篇章分析任务.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.1.篇章分析-内容标签/篇章分析任务.jpg)

docs/nlp/3.2.篇章分析-内容标签.md

@@ -30,7 +30,7 @@
 
 ## 百度内容标签
 
-![百度内容标签/img/NLP/3.2.篇章分析-内容标签/百度内容标签.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/百度内容标签.jpg)
 
 ## 标签体系：面向推荐的标签图谱
 
@@ -39,14 +39,14 @@
 * 包括3种节点：主题标签-绿色，话题标签-紫色，实体标签-蓝色。
 * 有了关联关系，我们可以进行一定程度的探索和泛化。（例如：无人驾驶和人工智能关联很强，如果有人看了无人驾驶，我们就给他推荐人工智能）
 
-![面向推荐的标签图谱/img/NLP/3.2.篇章分析-内容标签/面向推荐的标签图谱.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/面向推荐的标签图谱.jpg)
 
 ## 标签体系：基于大数据分析的图谱构建
 
 * 用户信息来源：贴吧、微博
 * 标签的相关性分析：通过关联规则，发现2个标签总同时出现，我们觉得这是高相关的。
 
-![基于大数据分析的图谱构建/img/NLP/3.2.篇章分析-内容标签/基于大数据分析的图谱构建.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/基于大数据分析的图谱构建.jpg)
 
 ## 标签计算
 
@@ -59,7 +59,7 @@
     * 第二层 表示层：通过一些 embedding的算法、CNN、LSTM的方法
     * 第三层 排序层：计算文章与主题之间的相似度，具体会计算每个主题与文章的相似度，并将相似度作为最终的一个主题分类的结果。这种计算的好处能够天然的支持多标记，也就是一篇文章可以同时计算出多个主题标签。
 
-![主题分类/img/NLP/3.2.篇章分析-内容标签/主题分类.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/主题分类.jpg)
 
 > 通用标签
 
@@ -72,11 +72,11 @@
     * 比如：这个标签在文章中出现的频率 或 出现的位置；如果出现在标题，那么它可能就会比较重要。
 * 通过融合这2种策略，形成我们通用标签的结果。
 
-![通用标签/img/NLP/3.2.篇章分析-内容标签/通用标签.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/通用标签.jpg)
 
 ## 内容标签在Feed流中的应用
 
 1. 标签可以用来话题聚合：比如表示人工智能的标签全部都会集合到同一个话题下面。这样用户可以对人工智能这个话题进行非常充分的浏览。
 2. 话题频道划分：比如我们在手机百度上面就可以看到，Feed流上面有多个栏目，用户可以点击 `体育` `时尚`等频道
 
-![内容标签在Feed流中的应用/img/NLP/3.2.篇章分析-内容标签/内容标签在Feed流中的应用.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/内容标签在Feed流中的应用.jpg)

docs/nlp/3.3.篇章分析-情感分析.md

@@ -12,14 +12,14 @@
 
 * 对（文本的）观点、情感、情绪和评论进行分析计算
 
-![情感分类和观点挖掘/img/NLP/3.3.篇章分析-情感分类/情感分类和观点挖掘.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/情感分类和观点挖掘.jpg)
 
 > 情感分类
 
 * 给定一个文本判断其情感的极性，包括积极、中性、消极。
 * LSTM 对文本进行语义表示，进而基于语义表示进行情感分类。
 
-![情感分类/img/NLP/3.3.篇章分析-情感分类/情感分类.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/情感分类.jpg)
 
 > 观点挖掘
 
@@ -28,18 +28,18 @@
     * 观点抽取一种简单的做法是直接通过标签匹配的方式得到，比如：服务不错这个情感搭配，恰好在文本中出现，我们就可以把它抽取出来。
     * 但是这种简单的抽取方法，其实上只能从字面上抽取情感搭配，而无法解决字面不一致的，但是意思一样的情感搭配抽取，因此我们还引入了语义相似度的方法。这种方法主要是通过神经网络进行计算的。它能解决这种字面不一致，语义一样的抽取问题。
 
-![观点挖掘/img/NLP/3.3.篇章分析-情感分类/观点挖掘.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/观点挖掘.jpg)
 
 > 观点摘要
 
 综合了情感分类和观点挖掘的一些技术，而获得的一个整体的应用技术
 
-![观点摘要/img/NLP/3.3.篇章分析-情感分类/观点摘要.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/观点摘要.jpg)
 
 ## 百度应用：评论观点
 
-![百度应用评论观点/img/NLP/3.3.篇章分析-情感分类/百度应用评论观点.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/百度应用评论观点.jpg)
 
 ## 百度应用：推荐理由
 
-![百度应用推荐理由/img/NLP/3.3.篇章分析-情感分类/百度应用推荐理由.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/百度应用推荐理由.jpg)

docs/nlp/3.4.篇章分析-自动摘要.md

@@ -2,7 +2,7 @@
 
 ## 信息爆炸与移动化
 
-![信息爆炸与移动化/img/NLP/3.4.篇章分析-自动摘要/信息爆炸与移动化.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/信息爆炸与移动化.jpg)
 
 ## 自动摘要应用
 
@@ -21,42 +21,42 @@
 * 以简洁、直观的摘要来概括用户所关注的主要内容
 * 方便用户快速了解与浏览海量内容
 
-![摘要系统/img/NLP/3.4.篇章分析-自动摘要/摘要系统.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp//3.4.篇章分析-自动摘要/摘要系统.jpg)
 
 * 自动摘要分类
 
-![自动摘要分类/img/NLP/3.4.篇章分析-自动摘要/自动摘要分类.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/自动摘要分类.jpg)
 
 * 典型摘要计算流程
 
-![典型摘要计算流程/img/NLP/3.4.篇章分析-自动摘要/典型摘要计算流程.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/典型摘要计算流程.jpg)
 
 > 基于篇章信息的通用新闻摘要
 
-![基于篇章信息的通用新闻摘要/img/NLP/3.4.篇章分析-自动摘要/基于篇章信息的通用新闻摘要.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/基于篇章信息的通用新闻摘要.jpg)
 
 > 篇章主题摘要
 
-![篇章主题摘要/img/NLP/3.4.篇章分析-自动摘要/篇章主题摘要.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/篇章主题摘要.jpg)
 
 > 问答摘要
 
-![问答摘要/img/NLP/3.4.篇章分析-自动摘要/问答摘要.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/问答摘要.jpg)
 
 ## 百度应用
 
 > 文本和语言摘要
 
-![百度应用文本和语言摘要/img/NLP/3.4.篇章分析-自动摘要/百度应用文本和语言摘要.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/百度应用文本和语言摘要.jpg)
 
 > 问答摘要
 
-![百度应用问答摘要/img/NLP/3.4.篇章分析-自动摘要/百度应用问答摘要.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/百度应用问答摘要.jpg)
 
 > 搜索播报摘要和图像摘要
 
-![百度应用搜索播报摘要和图像摘要/img/NLP/3.4.篇章分析-自动摘要/百度应用搜索播报摘要和图像摘要.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/百度应用搜索播报摘要和图像摘要.jpg)
 
 ## 总结
 
-![总结/img/NLP/3.4.篇章分析-自动摘要/总结.jpg)
+![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/总结.jpg)

docs/nlp/README.md

@@ -8,7 +8,7 @@
 ## nlp 学习书籍和工具：
 
 * 百度搜索：Python自然语言处理
-* 读书笔记：https://wnma3mz.github.io/hexo_blog/2018/05/13/《Python自然语言处理》阅读笔记（一）
+* 读书笔记：<https://wnma3mz.github.io/hexo_blog/2018/05/13/《Python自然语言处理》阅读笔记（一）>
 * Python自然语言处理工具汇总: <https://blog.csdn.net/sa14023053/article/details/51823122>
 
 ## nlp 全局介绍视频：（简单做了解就行）