TensorFlow實(shí)現(xiàn)文本分類深度學(xué)習(xí)應(yīng)用技術(shù)項(xiàng)目引導(dǎo)案例

情感分析是種有趣的自然語言處理應(yīng)用，對(duì)文本數(shù)據(jù)中包含的情緒進(jìn)行解析和分類，衡量人們的觀點(diǎn)傾向。

例如被用來分析觀眾對(duì)電影的評(píng)論或由該電影引起的情緒狀態(tài)，又例如將在線客戶對(duì)產(chǎn)品或服務(wù)的反饋按照正面或負(fù)面的體驗(yàn)進(jìn)行分類。項(xiàng)目引導(dǎo)案例自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類01使用評(píng)論文本將影評(píng)分為積極（positive）或消極（nagetive）兩類，也就是文本的情感分析使用Kears和TensorflowHub對(duì)電影評(píng)論進(jìn)行文本分類02使用Keras構(gòu)建模型進(jìn)行文本分類，TensorFlowHub模型訓(xùn)練過程，用評(píng)估模型準(zhǔn)確率的方法并進(jìn)行預(yù)測思考一下,大家知道自然語言處理還應(yīng)用在哪些方面嗎？項(xiàng)目引導(dǎo)案例自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類職業(yè)能力目標(biāo)01任務(wù)描述與要求02任務(wù)分析與計(jì)劃03知識(shí)儲(chǔ)備04任務(wù)實(shí)施05任務(wù)檢查與評(píng)價(jià)06任務(wù)小結(jié)07任務(wù)拓展08

自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類了解自然語言處理發(fā)展史，技術(shù)，應(yīng)用研究；理解文本分類概念、分類輸入數(shù)據(jù)、文本分類過程相關(guān)知識(shí)；理解情感分析概念、層次及方法。能夠?qū)隝MDB數(shù)據(jù)集并瀏覽數(shù)據(jù)能夠?qū)ξ谋具M(jìn)行數(shù)據(jù)預(yù)處理能夠使用嵌入（Embedding）方法構(gòu)建簡單的文本分類模型能夠?qū)M(jìn)行文本分類模型訓(xùn)練并對(duì)模型進(jìn)行評(píng)估職業(yè)能力目標(biāo)01知識(shí)目標(biāo)技能目標(biāo)職業(yè)能力目標(biāo)01任務(wù)描述與要求02任務(wù)分析與計(jì)劃03知識(shí)儲(chǔ)備04任務(wù)實(shí)施05任務(wù)檢查與評(píng)價(jià)06任務(wù)小結(jié)07任務(wù)拓展08

自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類

了解自然語言處理的相關(guān)知識(shí)，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，利用下載的IMDB數(shù)據(jù)集進(jìn)行模型訓(xùn)練和模型評(píng)估。任務(wù)描述任務(wù)要求下載IMDB數(shù)據(jù)集并對(duì)其進(jìn)行預(yù)處理；構(gòu)建神經(jīng)網(wǎng)絡(luò)模型；完成模型訓(xùn)練；繪制損失值圖表和準(zhǔn)確率圖表。任務(wù)描述與要求02職業(yè)能力目標(biāo)01任務(wù)描述與要求02任務(wù)分析與計(jì)劃03知識(shí)儲(chǔ)備04任務(wù)實(shí)施05任務(wù)檢查與評(píng)價(jià)06任務(wù)小結(jié)07任務(wù)拓展08

自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類任務(wù)分析自然語言處理技術(shù)是怎么做情感分析？想一想如何自定義神經(jīng)網(wǎng)絡(luò)？任務(wù)分析與計(jì)劃03任務(wù)計(jì)劃表通過上面的思考，你是否對(duì)本任務(wù)要完成的工作有所了解？讓我們一起來制訂完成本次任務(wù)的實(shí)施計(jì)劃吧！任務(wù)分析與計(jì)劃03項(xiàng)目名稱TensorFlow實(shí)現(xiàn)文本分類任務(wù)名稱自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類計(jì)劃方式自主設(shè)計(jì)計(jì)劃要求請(qǐng)用8個(gè)計(jì)劃步驟來完整描述出如何完成本次任務(wù)序號(hào)任務(wù)計(jì)劃1

2

3

4

5

6

78職業(yè)能力目標(biāo)01任務(wù)描述與要求02任務(wù)分析與計(jì)劃03知識(shí)儲(chǔ)備04任務(wù)實(shí)施05任務(wù)檢查與評(píng)價(jià)06任務(wù)小結(jié)07任務(wù)拓展08

自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類文本分類204知識(shí)儲(chǔ)備自然語言處理1情感分析3自然語言處理04自然語言處理(NaturalLanguageProcessing,NLP)是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向。它研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語言進(jìn)行有效通信的各種理論和方法。自然語言處理主要應(yīng)用于機(jī)器翻譯、輿情監(jiān)測、自動(dòng)摘要、觀點(diǎn)提取、文本分類、問題回答、文本語義對(duì)比、語音識(shí)別、中文OCR等方面。自然語言處理發(fā)展史04第一階段第二階段第三階段③統(tǒng)計(jì)自然語言處理（90年代開始)：基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)開始流行，很多NLP開始用基于統(tǒng)計(jì)的方法來做。①早期自然語言處理(60~80年代):基于規(guī)則來建立詞匯、句法語義分析、問答、聊天和機(jī)器翻譯系統(tǒng)。②神經(jīng)網(wǎng)絡(luò)自然語言處理(2008年之后)：深度學(xué)習(xí)開始在語音和圖像發(fā)揮威力?；趥鹘y(tǒng)機(jī)器學(xué)習(xí)的自然語言處理技術(shù)04

自然語言處理可將處理任務(wù)進(jìn)行分類，形成多個(gè)子任務(wù)，傳統(tǒng)的機(jī)械學(xué)習(xí)方法可利用SVM（支持向量機(jī)模型）、Markov（馬爾科夫模型）、CRF（條件隨機(jī)場模型）等方法對(duì)自然語言中多個(gè)子任務(wù)進(jìn)行處理，進(jìn)一步提高處理結(jié)果的精度基于傳統(tǒng)機(jī)器學(xué)習(xí)的自然語言處理技術(shù)04模型的性能過于依賴訓(xùn)練集的質(zhì)量，需要人工標(biāo)注訓(xùn)練集，降低了訓(xùn)練效率不足1傳統(tǒng)機(jī)器學(xué)習(xí)模型中的訓(xùn)練集在不同領(lǐng)域應(yīng)用會(huì)出現(xiàn)差異較大的應(yīng)用效果，削弱了訓(xùn)練的適用性，暴露出學(xué)習(xí)方法單一的弊端不足2無法人工標(biāo)注出更抽象、更高階的自然語言特征，使得傳統(tǒng)機(jī)器學(xué)習(xí)只能學(xué)習(xí)預(yù)先制定的規(guī)則，而不能學(xué)規(guī)則之外的復(fù)雜語言特征不足3基于深度學(xué)習(xí)的自然語言處理技術(shù)04

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一大分支，在自然語言處理中需應(yīng)用深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，通過對(duì)生成的詞向量進(jìn)行學(xué)習(xí)，以完成自然語言分類、理解的過程。04能夠以詞或句子的向量化為前提，不斷學(xué)習(xí)語言特征，掌握更高層次、更加抽象的語言特征，滿足大量特征工程的自然語言處理要求優(yōu)勢1深度學(xué)習(xí)無需專家人工定義訓(xùn)練集，可通過神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)高層次特征。優(yōu)勢2基于深度學(xué)習(xí)的自然語言處理技術(shù)詞法分析基于大數(shù)據(jù)和用戶行為的分詞后，對(duì)詞性進(jìn)行標(biāo)注、命名實(shí)體識(shí)別，消除歧義。應(yīng)用場景：各大手機(jī)廠商語音助手。文本分類對(duì)文章按照內(nèi)容類型（體育、教育、財(cái)經(jīng)、社會(huì)、軍事等等）進(jìn)行自動(dòng)分類，為文章聚類、文本內(nèi)容分析等應(yīng)用提供基礎(chǔ)支持。應(yīng)用場景：垃圾過濾，新聞分類，詞性標(biāo)注等。文本糾錯(cuò)識(shí)別文本中有錯(cuò)誤的片段，進(jìn)行錯(cuò)誤提示并給出正確的建議文本內(nèi)容。應(yīng)用場景：寫作類平臺(tái)。

情感分析能夠?qū)ξ谋拘畔⑦M(jìn)行“情感”上的正向、負(fù)向及中性進(jìn)行評(píng)價(jià)。應(yīng)用場景：評(píng)論分析與決策。應(yīng)用研究0404知識(shí)儲(chǔ)備文本分類2自然語言處理112情感分析3文本分類(textclassification),指的是將一個(gè)文檔歸類到一個(gè)或多個(gè)類別中的自然語言處理任務(wù)。應(yīng)用場景非常廣泛，涵蓋垃圾郵件過濾、垃圾評(píng)論過濾、自動(dòng)標(biāo)簽、情感分析等任何需要自動(dòng)歸檔文本的場合。文本的類別有時(shí)又稱作標(biāo)簽，所有類別組成了標(biāo)注集，文本分類輸出結(jié)果一定屬于標(biāo)注集。文本分類是一個(gè)典型的監(jiān)督學(xué)習(xí)任務(wù)，其流程離不開人工指導(dǎo):人工標(biāo)注文檔的類別，利用語料訓(xùn)練模型，利用模型預(yù)測文檔的類別。文本分類04分類輸入數(shù)據(jù)0401

02分類數(shù)據(jù)通過稀疏張量(sparsetensors)表示最有效，稀疏張量是具有非常少的非零元素的張量。分類數(shù)據(jù)是指表示來自有限選擇集的一個(gè)或多個(gè)離散項(xiàng)的輸入特征。例如，它可以是用戶觀看的電影集，文檔中的單詞集或人的職業(yè)。分類輸入數(shù)據(jù)04構(gòu)建電影推薦模型，可以為每個(gè)可能的電影分配一個(gè)唯一的ID，通過用戶觀看過的電影的稀疏張量來表示每個(gè)用戶。矩陣的每一行是捕獲用戶的電影觀看歷史的示例，被表示為稀疏張量，因?yàn)槊總€(gè)用戶僅觀看所有可能電影的一小部分。最后一行對(duì)應(yīng)于稀疏張量[1,3,999999]，使用電影圖標(biāo)上方顯示的詞索引。04文本分類過程特征抽取語料預(yù)處理索引詞頻統(tǒng)計(jì)分類器訓(xùn)練測試結(jié)果評(píng)價(jià)04知識(shí)儲(chǔ)備文本分類2自然語言處理112情感分析3情感分析04文本情感分析又稱意見挖掘、傾向性分析等。簡單而言,是對(duì)帶有情感色彩的主觀性文本進(jìn)行分析、處理、歸納和推理的過程。文本情感分析指的是提取文本中的主觀信息的一種NLP任務(wù)，目標(biāo)通常是找出文本對(duì)應(yīng)的正負(fù)情感態(tài)度。情感分析可以在實(shí)體、句子、段落乃至文檔上進(jìn)行。情感分析04

文本情感分析的基本流程如下圖所示，包括從原始文本爬取，文本預(yù)處理，語料庫和情感詞庫構(gòu)建，以及情感分析結(jié)果等全流程。04情感分析層次A篇章級(jí)別的情感分類是指定一個(gè)整體的情緒方向/極性，即確定該文章是否傳達(dá)總體正面或負(fù)面的意見。04情感分析層次B句子級(jí)。由于句子的情感分析離不開構(gòu)成句子的詞語的情感，其方法劃分為三大類：其一，基于知識(shí)庫的分析方法；其二，基于網(wǎng)絡(luò)的分析方法；其三，基于語料庫的分析方法。04情感分析層次C詞語級(jí)的情感是句子或篇章級(jí)情感分析的基礎(chǔ)。其方法主要可歸納為三類其一，基于詞典的分析方法；其二，基于網(wǎng)絡(luò)的分析方法；其三，基于語料庫的分析方法。情感分析方法04（1）基于情感詞典的方法先對(duì)文本進(jìn)行分詞和停用詞處理等預(yù)處理，再利用先構(gòu)建好的情感詞典，對(duì)文本進(jìn)行字符串匹配，從而挖掘正面和負(fù)面信息。該方法依賴于情感詞典的構(gòu)建和判斷規(guī)則質(zhì)量，而這兩者都需要耗費(fèi)很多人力，包括人工設(shè)計(jì)和先驗(yàn)知識(shí)。情感分析方法04（2）基于機(jī)器學(xué)習(xí)的方法其流程如下:首先人工標(biāo)注文本傾向性作為訓(xùn)練集，提取文本情感特征，通過機(jī)器學(xué)習(xí)的方法構(gòu)造情感分類器，通過分類器進(jìn)行傾向性分類。該方法的模型訓(xùn)練依賴于標(biāo)注數(shù)據(jù)集的質(zhì)量，高質(zhì)量的數(shù)據(jù)集需要投入大量人工成本。需要高質(zhì)量的特征構(gòu)造和選取。情感分析方法04（3）基于深度學(xué)習(xí)的方法該方法避免人工提取特征的工作，通過Word2Vec模擬詞語之間聯(lián)系，有局部特征抽象畫以及記憶功能，在情感分類中具有極大優(yōu)勢。主要分為兩個(gè)步驟：評(píng)論語料表達(dá)為語義詞向量;通過不同語義合成方法用詞向量，得到對(duì)應(yīng)句子或文檔的特征表達(dá)式，最后通過深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。三種情感分析方法對(duì)比04職業(yè)能力目標(biāo)01任務(wù)描述與要求02任務(wù)分析與計(jì)劃03知識(shí)儲(chǔ)備04任務(wù)實(shí)施05任務(wù)檢查與評(píng)價(jià)06任務(wù)小結(jié)07任務(wù)拓展08

自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類數(shù)據(jù)集準(zhǔn)備204環(huán)境配置1模型構(gòu)建3模型評(píng)估5任務(wù)實(shí)施模型訓(xùn)練4環(huán)境配置05導(dǎo)入并導(dǎo)入Tensorflow1．安裝并導(dǎo)入安裝包Windows系統(tǒng)安裝：pipinstallLinux系統(tǒng)安裝：sudopipinstall數(shù)據(jù)集準(zhǔn)備204環(huán)境配置1模型構(gòu)建3模型評(píng)估5任務(wù)實(shí)施模型訓(xùn)練4數(shù)據(jù)集準(zhǔn)備05數(shù)據(jù)下載1．IMDB數(shù)據(jù)集下載IMDB數(shù)據(jù)集打包在Tensorflow中。已經(jīng)過預(yù)處理，評(píng)論（單詞序列）已經(jīng)被轉(zhuǎn)換為整數(shù)序列，其中每個(gè)整數(shù)表示字典中的特定單詞。參數(shù)num_words=10000保留了訓(xùn)練數(shù)據(jù)中最常出現(xiàn)的10,000個(gè)單詞。為了保持?jǐn)?shù)據(jù)規(guī)模的可管理性，低頻詞將被丟棄。數(shù)據(jù)集準(zhǔn)備05數(shù)據(jù)格式了解2．?dāng)?shù)據(jù)格式了解該數(shù)據(jù)集中每個(gè)樣本都是一個(gè)表示影評(píng)中詞匯的整數(shù)數(shù)組。每個(gè)標(biāo)簽都是一個(gè)值為0或1的整數(shù)值，其中0代表消極評(píng)論，1代表積極評(píng)論。數(shù)據(jù)集準(zhǔn)備05整數(shù)轉(zhuǎn)換回單詞3．整數(shù)轉(zhuǎn)換回單詞下載映射單詞到整數(shù)索引的詞典。使用decode_review函數(shù)來轉(zhuǎn)換單詞數(shù)據(jù)集準(zhǔn)備05整數(shù)數(shù)組必須在輸入神經(jīng)網(wǎng)絡(luò)之前轉(zhuǎn)換為張量。這種轉(zhuǎn)換可以通過以下兩種方式來完成：4．?dāng)?shù)據(jù)處理（1）將數(shù)組轉(zhuǎn)換為表示單詞出現(xiàn)與否的由0和1組成的向量，類似于one-hot編碼。（2）填充數(shù)組來保證輸入數(shù)據(jù)具有相同的長度，然后創(chuàng)建一個(gè)大小為max_length*num_reviews的整型張量。數(shù)據(jù)集準(zhǔn)備05用pad_sequences函數(shù)來使長度標(biāo)準(zhǔn)化keras.preprocessing.sequence.pad_sequences(sequences,maxlen=None,padding='pre',value=0):?sequences:浮點(diǎn)數(shù)或整數(shù)構(gòu)成的兩層嵌套列表。?maxlen:None或整數(shù)，為序列的最大長度。大于此長度的序列將被截短，小于此長度的序列將在后部填0。?padding:pre或post，確定當(dāng)需要補(bǔ)0時(shí)，在序列的起始還是結(jié)尾補(bǔ)（默認(rèn)為pre）。?value:浮點(diǎn)數(shù)，此值將在填充時(shí)代替默認(rèn)的填充值0。數(shù)據(jù)集準(zhǔn)備204環(huán)境配置1模型構(gòu)建3模型評(píng)估5任務(wù)實(shí)施模型訓(xùn)練4模型構(gòu)建05神經(jīng)網(wǎng)絡(luò)由堆疊的層來構(gòu)建，這需要從兩個(gè)主要方面來進(jìn)行體系結(jié)構(gòu)決策：1.構(gòu)建分類器?模型里有多少層?每個(gè)層里有多少隱層單元（hiddenunits）模型構(gòu)建05層按順序堆疊以構(gòu)建分類器：第一層是嵌入層，該層采用整數(shù)編碼的詞匯表，并查找每個(gè)詞索引的嵌入向量。向量輸出數(shù)組增加了一個(gè)維度，得到的維度為：(batch,sequence,embedding)。接下來，全局池化層1D將通過對(duì)序列維度求平均值，來為每個(gè)樣本返回一個(gè)定長輸出向量。這允許模型以盡可能最簡單的方式處理變長輸入。該定長輸出向量通過一個(gè)有16個(gè)隱層單元的全連接層傳輸。最后一層與單個(gè)輸出結(jié)點(diǎn)密集連接，使用Sigmoid激活函數(shù)，其函數(shù)值為介于0與1之間的浮點(diǎn)數(shù)，表示概率或置信度。模型構(gòu)建05一個(gè)模型需要損失函數(shù)和優(yōu)化器來進(jìn)行訓(xùn)練2.配置優(yōu)化器和損失函數(shù)二分類問題且模型輸出概率值（一個(gè)使用sigmoid激活函數(shù)的單一單元層），使用binary_crossentropy損失函數(shù)。這不是損失函數(shù)的唯一選擇，例如，可以選擇mean_squared_error。但通常binary_crossentropy更適合處理概率，它能夠度量概率分布之間的“距離”。數(shù)據(jù)集準(zhǔn)備05tf.keras.Mpile(optimizer,loss,metrics)optimizer:模型訓(xùn)練使用的優(yōu)化器，可以從tf.keras.optimizers中選擇。loss:模型優(yōu)化時(shí)使用的損失值類型，可以從tf.keras.losses中選擇。metrics：訓(xùn)練過程中返回的矩陣評(píng)估指標(biāo)，可以從tf.keras.metrics中選擇。數(shù)據(jù)集準(zhǔn)備204環(huán)境配置1模型構(gòu)建3模型評(píng)估5任務(wù)實(shí)施模型訓(xùn)練4模型訓(xùn)練05在訓(xùn)練時(shí)，檢查模型在未見過的數(shù)據(jù)上的準(zhǔn)確率（accuracy）1.創(chuàng)建驗(yàn)證集通過從原始訓(xùn)練數(shù)據(jù)中分離10,000個(gè)樣本來創(chuàng)建一個(gè)驗(yàn)證集。為什么現(xiàn)在不使用測試集？我們的目標(biāo)是只使用訓(xùn)練數(shù)據(jù)來開發(fā)和調(diào)整模型，然后只使用一次測試數(shù)據(jù)來評(píng)估準(zhǔn)確率（accuracy））模型訓(xùn)練05以512個(gè)樣本的mini-batch大小迭代40個(gè)epoch來訓(xùn)練模型2.訓(xùn)練模型對(duì)partial_x_trai和partial_y_trainn張量中所有樣本的的40次迭代。在訓(xùn)練過程中，監(jiān)測來自驗(yàn)證集的10,000個(gè)樣本上的損失值（loss）和準(zhǔn)確率（accuracy）數(shù)據(jù)集準(zhǔn)備05tf.keras.Model.fit(x,y,batch_size,epochs,validation_data)?x:訓(xùn)練集數(shù)組。?y:訓(xùn)練集標(biāo)簽數(shù)組。?batch_size：批處理數(shù)量。?epochs:迭代次數(shù)。?validation_data：驗(yàn)證集數(shù)組。數(shù)據(jù)集準(zhǔn)備204環(huán)境配置1模型搭建3模型評(píng)估5任務(wù)實(shí)施模型訓(xùn)練4模型評(píng)估05計(jì)算準(zhǔn)確率1.計(jì)算準(zhǔn)確率model.fit()返回一個(gè)History對(duì)象，該對(duì)象包含一個(gè)字典，其中包含訓(xùn)練階段所發(fā)生的一切事件：模型評(píng)估05繪制損失值圖標(biāo)2.繪制損失值圖標(biāo)數(shù)據(jù)集準(zhǔn)備05tf.keras.Mpile(optimizer,loss,metrics)?plt.plot(x,y,style,label):根據(jù)數(shù)據(jù)畫圖。

x:橫坐標(biāo)對(duì)應(yīng)數(shù)值。

y:縱坐標(biāo)對(duì)應(yīng)數(shù)值。

style:繪圖風(fēng)格。

label:標(biāo)簽名。?plt.xlabel：給橫坐標(biāo)命名。?plt.ylabel：給縱坐標(biāo)命名。?plt.legend：新增圖例。?plt.show()：展示圖表。模型評(píng)估05準(zhǔn)確率圖表繪制3.繪制準(zhǔn)確率圖表職業(yè)能力目標(biāo)01任務(wù)描述與要求02任務(wù)分析與計(jì)劃03知識(shí)儲(chǔ)備04任務(wù)實(shí)施05任務(wù)檢查與評(píng)價(jià)06任務(wù)小結(jié)07任務(wù)拓展08

自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類任務(wù)檢查與評(píng)價(jià)061、請(qǐng)參照評(píng)價(jià)標(biāo)準(zhǔn)完成自評(píng)和對(duì)其他小組的互評(píng)。2、各組請(qǐng)代表分析本組任務(wù)實(shí)施經(jīng)驗(yàn)。項(xiàng)目名稱TensorFlow實(shí)現(xiàn)文本分類任務(wù)名稱自定義神經(jīng)網(wǎng)絡(luò)對(duì)電影評(píng)論文本分類評(píng)價(jià)方式可采用自評(píng)、互評(píng)、老師評(píng)價(jià)等方式說明主要評(píng)價(jià)學(xué)生在項(xiàng)目學(xué)習(xí)過程中的操作技能、理論知識(shí)、學(xué)習(xí)態(tài)度、課堂表現(xiàn)、學(xué)習(xí)能力等

評(píng)價(jià)內(nèi)容與評(píng)價(jià)標(biāo)準(zhǔn)序號(hào)評(píng)價(jià)內(nèi)容評(píng)價(jià)標(biāo)準(zhǔn)分值得分1理論知識(shí)（15%）了解自然語言處理的基本概念、分類的基本概念。（15分）15分