自然语言处理表示计算机系统理解人类语言的能力，它是人工智能的一部分。网上有很多种资源可以帮助你从零开始学习NLP。本文列出了适用于初学者和从业者的一些相关资源。
给初学者的自然语言资源
对于初学者，可以采用两种传统的方法—机器学习和深度学习来开始自然语言处理。这两种方法是不同的，你可以点击这里来查看它们之间的区别。
传统机器学习
传统的机器学习算法比较复杂，不太容易理解。个人建议使用深度学习来做NLP更快捷。
深度学习（Deep Learning）
深度学习是机器学习的一个分支领域，由于人工神经网络的引入，深度学习比传统机器学习的表现要好得多。可以通过深度学习来学习NLP，对于初学者可以查看以下的资源:
· CS224n:这是从零开始通过深度学习来学习NLP的最佳课程。本课程由斯坦福大学主办，可以点击这里访问；
· YoavGolberg的免费和付费的书，是在NLP中开始深度学习的好资源。免费书籍可以在这里访问；
· 在Jacob Einsenstein的关于GATECH的NLP类的笔记中，覆盖了所有NLP的算法，而NLP类几乎能处理所有的NLP方法，点击这里可以访问他的笔记；
给从业者的自然语言处理的学习资源
如果你是一个数据专家，可能需要如下三种类型的资源:
1、快速入门指南
2、特定问题的检查方法
3、时常阅读文章
快速入门指南
· 对于NLP的概述，可以从Daniel W. Otter等人的深度学习报告开始，点击这里访问。
· Tom Young等人的一篇调查报告总结了基于深度学习的NLP中的所有最新内容，建议从业者开始使用NLP，点击这里查看报告。
· 这有一篇不错的论文，让我们了解了如何隐藏循环神经网络（Recurrent Neural Networks，RNNs）的状态。我还推荐如下两篇博文:
o了解LSTM（Long Short-Term Memory）网络
· 卷积神经网络（Convolutional Neural Networks，CNNs/ConvNets）也可以被用来理解自然语言处理。通过阅读这篇论文，你可以想象CNNs如何在NLP中进行应用；
· ShaojieBai等人在一篇论文中强调了如何将CNNs和RNNs进行比较。PyTorch张量库所有的代码是开放的，点击这里可以查看。
特定问题的处理方法
从业者需要的另一种类型的资源是，如果要选择一个算法来执行任务，那么能够应用的最好的方法有哪些呢？
文本分类
文本分类方面的种类居多，可以是将文本分成不同的类别或检测文本中的观点/情感的形式。
我想介绍一个容易理解的我们前些时候在ParallelDots博客上做的情感分析技术的调查报告。虽然这项调查是关于情感分析技术的，但是它包含了大多数的文本分类问题。
我们的调查技术性没有那么强，但很有趣，并且能够指导你利用更好的资源来理解概念。有一些Arxiv调查报告技术性非常强，这就需要你阅读其它的一些论文来深入理解主题。我建议的方法是使用本文中的链接来熟悉，并享受其中的乐趣，但之后建议阅读我提供的指南。记住，虽然兴趣很重要，但技巧有时也很重要，否则很难在新的环境中应用概念。另一个情感分析算法的调查报告可以在这里访问。
如果你还没听说过迁移学习，其实它正在快速地深入到深度学习领域之中。就像在图片里利用ImageNet分类来训练模型，还可以针对任何分类任务进行微调，在Wikipedia网站上训练NLP模型，用于语言建模，目前可以在相对较少的数据量上传输学习文本分类。现在我们还没有关于这个问题的调查报告，但是我可以告诉你在OpenAI上Reuder和Howard的两篇论文，它们涉及下面所提到的技术:
在Fast.ai上有详细的方法使用文档。
如果你正在进行两个不同任务的迁移学习，这里将介绍使用Convnets的技巧。恕我直言，这些技术将逐渐地采用其它的分类方法。我们还发布了Zero Shot文本分类上的工作成果，并得到了不错的准确性，没有任何数据集上的训练，而且正在致力于后面深入的工作。我们已经建了一个通常称为自定义分类器的文本分类API，你可以在其中定义自己的类别，可以点击查看demo。
序列标注
序列标注是一个给字词加属性的工作，其中包括词性标注、命名的实体识别、关键词标注等。我们写了一个有趣的任务检验方法，请点击查看这里。
关于这些问题，你可以查看今年COLING大会上的一篇论文，它给出了训练序列标注算法的最优准则，可以点击这里查看。
机器翻译
· 近来NLP最大的进步是提供了将文本从一种语言翻译成另一种语言的算法。Google的系统是一个16层的LSTM，并给出了最优翻译结果；
· 关于机器翻译的更多教程，你可以参考Philip Koehn的论文。点击这里可以查看有关利用深度学习来进行机器翻译的详细资料。
这里有两篇我非常喜欢的论文:
· 当你有足够多的数据时，Google论文会告诉你如何全面完整地解决问题；
· Facebook的卷积机器翻译系统和相关代码作为一个库发布在这里；
· https://marian-nmt.github.io/,这是一个关于快速翻译的C++语言框架，http://www.aclweb.org/anthology/P18-4020；
· http://opennmt.net/,使每个人都能训练自己的机器翻译系统；
常见问题
· SQuAD数据集是一个问答数据集，它用来测试算法阅读理解和回答问题的能力。微软今年早些时候发布了一篇论文，声称他们在这一领域的NLP成果已经达到了相当于人类水平的准确性，可以在这里查看论文。另一个重要的算法是Allen AI的BiDAF（Bi-Directional Attention Flow）；
· 另一个重要算法是关于视觉问答的，给出了关于图像问题的答案。在2017年的VQA挑战赛上，Teney等人发表的论文是一个很好的基础入门资料，可以在GITHUB上找到相关的实现代码。
· 在现实生活中，对大型文档的提取式问答可以利用迁移学习来实现，点击这里可以查到相关论文。这里有一篇非常好的论文驳斥了问答算法的“理解”，如果你正从事相关的工作，强烈建议阅读。
释义、语句相似度或推理
语句对比的工作，NLP有三个不同的任务: 语句相似度, 释义检测和自然语言推理（Natural Language Inference，NLI)，为此，每一个任务都需要有比以前更多的语义理解。MultiNLI及其子集Stanford NLI是最著名的基准数据集，并且在最近成为了研究的热点。还有用于释义检测的MS Paraphrase Corpus和Quora Corpus以及用于STS（语义文本相似性）的SemEval数据集。在这个领域关于高级模型的调查报告点击这里可以访问到。
在这个领域中，我非常喜欢的论文有以下几篇:
· Omar Levy小组的一篇论文表明了即使是简单的算法也能够执行操作，这是因为算法没有学习“推理”。
· BiMPM（双边多角度句子匹配）是一个预测释义的好模型，可以点击这里查看。
· 还有一项用于释义检测的新工作，它把关系网络应用到语句表示上面了，并在今年的AINL会议上得到了认可，可以点击这里阅读相关信息。
其它领域
· 语言建模(LM)—语言建模是关于学习一种语言的无监督表示的过程，这是通过给出一个语句中前n个词来预测第（n＋1）个词完成的。这些模型有两个重要的实际环境应用，一个是自动完成建模，另外一个是作为上文中提到的用于文本分类的迁移学习基础模型。点击这里可以查看一个比较长的调查报告。如果你对如何在手机或者搜索引擎中根据搜索历史记录自动完成LSTMs感兴趣，这里推荐一篇很好的论文。
· 关系提取—关系提取是指在一个句子中抽取实体之间关系的行为。因此，所给句子中“A是作为r到B的关联”，你会得到三重关系（A，r，B）。在该领域中研究工作的调查报告可以点击这里查看。我还发现了一篇论文非常不错，是使用BiDAF进行Zero Shot关系提取的。
· 对话系统—随着聊天机器人的出现，对话系统现在非常流行。许多人将对话系统作为意图检测、关键词检测、问题回答等模型的实现，而一些人则试着进行全面建模。我也顺便提一下Parl.ai，这是Facebook AI的一个人工智能对话技术框架。
· 文本摘要—文本摘要是从文档中获取浓缩的文本。有两种方法可以完成这个工作：提取摘要和抽象概括。提取摘要是从文章中抽取出最具信息含量的句子，而抽象概括的目的是像人一样写摘要。这个来自Eintein AI的demo将抽象概括带进了主流研究。
· 自然语言生成(NLG)—自然语言生成是关于计算机旨在像人类一样写作的研究，这可以是写故事、诗歌、图片的标题等等。其中，目前的研究已经能够在图片标题上做的很好，LSTM和注意机制的结合已经给出了可以用在实际生活中的成果。这里是相关技术的调查报告。
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。
文章原标题《List of free resources to learn Natural Language Processing
》
译者：奥特曼，审校：袁虎。
文章为简译，更为详细的内容，请查看原文
