Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
| Date | Stars |
|---|---|
| 2026-07-24 | 2580 |
| 2026-07-25 | 2580 |
| 2026-07-28 | 2580 |
| 2026-07-30 | 2580 |
| 2026-08-06 | 2580 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# NLP 面无不过
> 介绍：本项目是作者们根据个人面试和经验总结出的自然语言处理(NLP)面试准备的学习笔记与资料，该资料目前包含 自然语言处理各领域的 面试题积累。
>
<img src="img/微信截图_20230918094559.png" width="50%" >
> NLP 面无不过 面试交流群 (注：人满 可 添加 小编wx：yzyykm666 加群！)
<img src="img/微信截图_20210301212242.png" width="50%" >
## 四、NLP 学习算法 常见面试篇
#### 4.1 信息抽取 常见面试篇
##### 4.1.1 命名实体识别 常见面试篇
- [隐马尔科夫算法 HMM 常见面试篇](https://articles.zsxq.com/id_1q8xawb5rjwk.html)
- 一、基础信息 介绍篇
- 1.1 什么是概率图模型？
- 1.2 什么是 随机场？
- 二、马尔可夫过程 介绍篇
- 2.1 什么是 马尔可夫过程？
- 2.2 马尔可夫过程 的核心思想 是什么？
- 三、隐马尔科夫算法 篇
- 3.1 隐马尔科夫算法 介绍篇
- 3.1.1 隐马尔科夫算法 是什么？
- 3.1.2 隐马尔科夫算法 中 两个序列 是什么？
- 3.1.3 隐马尔科夫算法 中 三个矩阵 是什么？
- 3.1.4 隐马尔科夫算法 中 两个假设 是什么？
- 3.1.5 隐马尔科夫算法 中 工作流程 是什么？
- 3.2 隐马尔科夫算法 模型计算过程篇
- 3.2.1 隐马尔科夫算法 学习训练过程 是什么样的？
- 3.2.2 隐马尔科夫算法 序列标注（解码）过程 是什么样的？
- 3.2.3 隐马尔科夫算法 序列概率过程 是什么样的？
- 3.3 隐马尔科夫算法 问题篇
> [点击查看答案](https://articles.zsxq.com/id_1q8xawb5rjwk.html)
- [最大熵马尔科夫模型 MEMM 常见面试篇](https://articles.zsxq.com/id_gcfcvw10h89u.html)
- 四、最大熵马尔科夫模型（MEMM）篇
- 4.1 最大熵马尔科夫模型（MEMM）动机篇
- 4.1.1 HMM 存在 什么问题？
- 4.2 最大熵马尔科夫模型（MEMM）介绍篇
- 4.2.1 最大熵马尔科夫模型（MEMM） 是什么样？
- 4.2.2 最大熵马尔科夫模型（MEMM） 如何解决 HMM 问题？
- 4.3 最大熵马尔科夫模型（MEMM）问题篇
> [点击查看答案](https://articles.zsxq.com/id_gcfcvw10h89u.html)
- [条件随机场（CRF） 常见面试篇](https://articles.zsxq.com/id_3votd06mbvxv.html)
- 五、条件随机场（CRF）篇
- 5.1 CRF 动机篇
- 5.1.1 HMM 和 MEMM 存在什么问题？
- 5.2 CRF 介绍篇
- 5.2.1 什么是 CRF?
- 5.2.2 CRF 的 主要思想是什么？
- 5.2.3 CRF 的定义是什么?
- 5.2.4 CRF 的 流程是什么？
- 5.3 CRF 优缺点篇
- 5.3.1 CRF 的 优点在哪里？
- 5.3.2 CRF 的 缺点在哪里？
- 5.4 CRF 复现？
- 六、对比篇
- 6.1 CRF模型 和 HMM和MEMM模型 区别？
> [点击查看答案](https://articles.zsxq.com/id_3votd06mbvxv.html)
- [DNN-CRF 常见面试篇](https://articles.zsxq.com/id_8u0rtbsjt64l.html)
- 一、基本信息
- 1.1 命名实体识别 评价指标 是什么？
- 二、传统的命名实体识别方法
- 2.1 基于规则的命名实体识别方法是什么？
- 2.2 基于无监督学习的命名实体识别方法是什么？
- 2.3 基于特征的监督学习的命名实体识别方法是什么？
- 三、基于深度学习的命名实体识别方法
- 3.1 基于深度学习的命名实体识别方法 相比于 基于机器学习的命名实体识别方法的优点？
- 3.2 基于深度学习的命名实体识别方法 的 结构是怎么样？
- 3.3 分布式输入层 是什么，有哪些方法？
- 3.4 文本编码器篇
- 3.4.1 BiLSTM-CRF 篇
- 3.4.1.1 什么是 BiLSTM-CRF？
- 3.4.1.2 为什么要用 BiLSTM？
- 3.4.2 IDCNN-CRF 篇
- 3.4.2.1 什么是 Dilated CNN？
- 3.4.2.2 为什么会有 Dilated CNN？
- 3.4.2.3 Dilated CNN 的优点？
- 3.4.2.4 IDCNN-CRF 介绍
- 3.5 标签解码器篇
- 3.5.1 标签解码器是什么？
- 3.5.2 MLP+softmax层 介绍？
- 3.5.3 条件随机场CRF层 介绍？
- 3.5.4 循环神经网络RNN层 介绍？
- 3.5.3 指针网路层 介绍？
- 四、对比 篇
- 4.1 CNN-CRF vs BiLSTM-CRF vs IDCNN-CRF?
- 4.2 为什么 DNN 后面要加 CRF?
- 4.3 CRF in TensorFlow V.S. CRF in discrete toolkit？
> [点击查看答案](https://articles.zsxq.com/id_8u0rtbsjt64l.html)
- [中文领域 NER 常见面试篇](https://articles.zsxq.com/id_sgbknf1i6zer.html)
- 一、动机篇
- 1.1 中文命名实体识别 与 英文命名实体识别的区别？
- 二、词汇增强篇
- 2.1 什么是 词汇增强？
- 2.2 为什么说 「词汇增强」 方法对于中文 NER 任务有效呢？
- 2.3 词汇增强 方法有哪些？
- 2.4 Dynamic Architecture
- 2.4.1 什么是 Dynamic Architecture？
- 2.4.2 常用方法有哪些？
- 2.4.3 什么是 Lattice LSTM ，存在什么问题？
- 2.4.4 什么是 FLAT ，存在什么问题？
- 2.5 Adaptive Embedding 范式
- 2.5.1 什么是 Adaptive Embedding 范式？
- 2.5.2 常用方法有哪些？
- 2.5.3 什么是 WC-LSTM ，存在什么问题？
- 三、词汇/实体类型信息增强篇
- 3.1 什么是 词汇/实体类型信息增强？
- 3.2 为什么说 「词汇/实体类型信息增强」 方法对于中文 NER 任务有效呢？
- 3.3 词汇/实体类型信息增强 方法有哪些？
- 3.4 什么是 LEX-BERT ？
> [点击查看答案](https://articles.zsxq.com/id_sgbknf1i6zer.html)
- [命名实体识别 trick 常见面试篇](https://articles.zsxq.com/id_ik69rzw4ql5j.html)
- trick 1：领域词典匹配
- trick 2：规则抽取
- trick 3：词向量选取：词向量 or 字向量？
- trick 4：特征提取器 如何选择？
- trick 5：专有名称 怎么 处理？
- trick 6：标注数据 不足怎么处理？
- trick 7：嵌套命名实体识别怎么处理
- 7.1 什么是实体嵌套？
- 7.2 与 传统命名实体识别任务的区别
- 7.3 解决方法：
- 7.3.1 方法一：序列标注
- 7.3.2 方法二：指针标注
- 7.3.3 方法三：多头标注
- 7.3.4 方法四：片段排列
- trick 8：为什么说 「词汇增强」 方法对于中文 NER 任务有效？
- trick 9：NER实体span过长怎么办？
- trick 10: NER 标注数据噪声问题？
- trick 11： 给定两个命名实体识别任务，一个任务数据量足够，另外一个数据量很少，可以怎么做？
- trick 12： NER 标注数据不均衡问题？
> [Excerpt of 37,220 characters
Read on GitHub
杨夕 · 某某螺丝钉加工厂
49
1
1
Would you bet a product on this? Bounded 0–100 and slow moving.
matched fp:e755157f5fbba145, topic:transformer
matched fp:e755157f5fbba145, topic:nlp