Searching for NLP

文本表示（ text representation）是NLP任务中非常基础，同时也非常重要的一部分。本文将介绍文本表示的发展历史及各方法的优缺点

easyai.tech 发现入门人工智能是一件很难的事情，尤其是对于非技术人员。

于是我们将国内外优秀的科普内容用最通俗易懂的方式整合到一起，专门针对非技术人员，让大家都能理解人工智能领域里的基本概念。

通过 ACL 的论文来看看过去20年，NLP 的发展趋势。

我们将从最简单的方法开始，然后转向更细微的解决方案，例如特征工程，单词向量和深度学习。

CMU 与谷歌大脑提出的全新XLNet 在 20 个任务上超过了 BERT 的表现，并在 18 个任务上取得了当前最佳效果！而更令人激动的是，目前 XLNet 已经开放了训练代码和大型预训练模型。

我们将快速介绍NLP中的3种主要技术方法，以及我们如何使用它们来构建出色的机器！

2018年10 月初，Google AI 提出了一种新的上下文词表征——BERT 特征。本文对 BERT 特征进行了介绍，并简要分析了 BERT 特征的可解释性。

微软亚洲研究院副院长、ACL主席周明博士接受“机器之心”专访，从宏观层次和技术层面探讨了NLP的研究进展及未来发展趋势。以下为周明博士专访内容精选。

Deep Learning Indaba 2018是由DeepMind主办的深度学习峰会，于今年9月份在南非斯泰伦博斯举行。本文基于当时的专家采访和专题讨论写成，主要探讨NLP领域中的4个主要开放性问题。

最近，香侬科技发表研究，提出了一种汉语字形向量 Glyce。该研究基于汉字的进化过程，采用多种汉字古今文字和多种书写风格，专为中文象形字符建模设计了一种 CNN 架构——田字格 CNN。Glyce 在 13 个（几乎所有）中文 NLP 任务上达到了当前最佳性能。