自然语言处理黄金九步法，葵花宝典，请珍藏心间

目录

需求分析：问题定义

1.文本分类任务

2.序列标注任务

3.文本生成任务

4.文本理解任务

5.信息抽取任务

6.文本匹配任务

7.多模态任务

一、数据获取

1、发现可用数据集

2、常用的数据集

3、哪里去寻找数据集

4、数据集成

5、生成数据

6、网络爬虫

7、数据标注

二、数据探索（Exploratory Data Analysis，EDA）

三、数据清理与预处理

四、分割数据集

五、特征工程

六、建模

七、评估

八、推理

任务的工时占比

---

需求分析：问题定义

问题定义决定了整个项目的成败

1.文本分类任务

Text Classification Text Categorization TC

  1.情感分析应用场景

•   情感分析广泛应用于电商领域，通过分析用户评论帮助企业了解产品口碑。在社交媒体上，情感   分析可监测品牌声誉，为品牌策略调整提供数据支持。

    2.主题分析应用场景

•   通过主题分类管理海量文档，提供查询效率

2.序列标注任务

•   命名实体识别NER

3.文本生成任务

Nature Language Generation NLG

•   文本生成代码

•   机器翻译

•    自动摘要

4.文本理解任务

Natural Language Understanding NLU

• 阅读理解
• 自然语言推理任务 NLI

5.信息抽取任务

Information Extraction IE

• 关系抽取
• 事件抽取

6.文本匹配任务

text matching

• 语义相似度计算

7.多模态任务

• 图像描述生成

一、数据获取

人工智能是一门数据驱动的科学，数据决定我们能把这件事做的多好！

1、发现可用数据集

• 寻找已有的数据集
  • 使用 benchmark 数据集来快速评估我们的想法
    • 使用多个小型或者中型数据集去进行超参的调整
    • 对于深度学习的模型使用超大规模的数据
• 收集新数据

2、常用的数据集

根据不同任务，常用的数据集如下

3、哪里去寻找数据集

https://datasetsearch.research.google.com/

The latest in Machine Learning | Papers With Code

Open Data on AWS

Kaggle: Your Machine Learning and Data Science Community

4、数据集成

• 把多个数据源的数据结合到一个数据存储中
• 生成数据一般分散的存储在不同的数据表中
  • 比如：一张表存储房屋数据，一张表存储销售记录，一张表列出中介
• Join 数据表

5、生成数据

• GAN
• 数据增强

6、网络爬虫

7、数据标注

• 使用数据标注平台标注数据

label-studiohttps://github.com/heartexlabs/label-studio

• 众包团队推荐：
  • 数据堂DATATANG
  • 龙猫数据
  • 科乐园
  • MagicData

二、数据探索（Exploratory Data Analysis，EDA）

获取数据后，我们需要持续了解数据

工具：Python (Pandas, Matplotlib, Seaborn)

• 文本统计
• 停用词分析
• 词频分析
• Ngram分析
• 主题分析
• 情感分析
• NER分析
• 词性探索
• 文本复杂度分析

三、数据清理与预处理

了解数据后我们要清理掉没用的数据，修正不好的数据，补充不够的数据，构建高质量数据集

• 去除换行 清除html标签  清除链接 清除空格 去停用词

四、分割数据集

分割方法：独立分割、时间分割、交叉验证、蜂窝交叉验证

五、特征工程

六、建模

• 选择合适的模型对数据进行建模
• 选择模型后，要把数据格式处理成模型要求的格式
• 分词
• 标准化

七、评估

八、推理

任务的工时占比