之前查找了很多资料，发现语料准备这块的方法论很有限，在我看来如果说AI是个学生，语料其实是教科书，是知识的海洋，是AI的粮食，非常重要。
本文主要探讨有充分的语料基础后对语料进行预处理的办法。
1，众包打标签
2，手工规则提取
关键词特征，使用数据库进行批量标记。
实体识别后特征选取，使用分词工具根据词性来标记。
词频统计，对高频特殊词单独标记。
### Dialogflow 边标记边训练，不断校正测试效果。
Explosion.ai 的 Prodigy ， 快速手工标记，后台学习，提供预判，个人觉得并不好用。
3, 专家手工打标签
推荐Excel，可以与数据库互传数据，可以指定标签词汇范围，进行快速输入。
我总觉得语料工具应该有更大的发展空间，需要做的更好！
语料准备
2018-09-14
1341
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
之前查找了很多资料，发现语料准备这块的方法论很有限，在我看来如果说AI是个学生，语料其实是教科书，是知识的海洋，是AI的粮食，非常重要。本文主要探讨有充分的语料基础后对语料进行预处理的办法。
目录
相关文章
|
5月前
|
机器学习/深度学习
自然语言处理
|
5月前
|
机器学习/深度学习
自然语言处理
算法
|
11月前
|
2月前
|
机器学习/深度学习
存储
自然语言处理
【NLP-新闻文本分类】3 Bert模型的对抗训练
详细介绍了使用BERT模型进行新闻文本分类的过程，包括数据集预处理、使用预处理数据训练BERT语料库、加载语料库和词典后用原始数据训练BERT模型，以及模型测试。
38
1
1
|
2月前
|
机器学习/深度学习
数据采集
监控
【NLP-新闻文本分类】２特征工程
本文讨论了特征工程的重要性和处理流程，强调了特征工程在机器学习中的关键作用，并概述了特征工程的步骤，包括数据预处理、特征提取、特征处理、特征选择和特征监控。
18
1
1
|
3月前
|
测试技术
千问文本分类任务微调
这段代码定义了一个`predict`函数，它使用Hugging Face的`AutoModelForCausalLM`和`AutoTokenizer`来生成对话回复。模型和tokenizer分别从指定路径加载，然后对输入的`messages`（包含指令和用户输入）进行处理，通过模型生成响应。代码最后展示了一个测试用例，其中讨论了历史人物的评价。模型的输出被打印出来。整个流程涉及预处理、模型推理和后处理，用于生成与历史相关的内容。
145
6
7
|
5月前
|
机器学习/深度学习
自然语言处理
数据挖掘
|
PyTorch
TensorFlow
算法框架/工具
|
自然语言处理
搜索推荐