自然语言处理

RAG 怎么做 Query 改写？从工程实践看检索增强生成的第一道关键关卡在 RAG（Retrieval-Augmented Generation，检索增强生成）系统中，很多人一开始会把重点放在向量数据库、Embedding 模型、文档切分、召回算法、重排序模型和大模型生成上，但真正落地以后会发现：用户输入的 Query 质量，往往直接决定整个 RAG 系统的上限。

[自然语言处理-入门] 语音合成知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

财经资讯数据_灵砚智能

基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-次晨）2026年5月18日关于本文：这是一篇Python自动化数据采集与NLP分析的技术实践笔记。使用的技术栈包括：Python爬虫、jieba/SnowNLP情感分析、TF-IDF关键词提取、LDA主题模型、Matplotlib数据可视化。本文由脚本自动生成，仅记录技术实现过程，所有数据来源于公开渠道。基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-凌晨）

蓦然回首却已人去楼空

深度学习进阶：自然语言处理｜3.2.3 QA｜word2vec 中为什么输入和输出权重都可以表示单词例子：W_in 是输入侧矩阵。因为 you_one_hot 只有 you 的位置是 1，所以乘 W_in 等于取出 W_in 的 you 这一行。

财经资讯数据_灵砚智能

基于全球经济类多源新闻的NLP情感分析与数据可视化（日间）2026年5月19日关于本文：这是一篇Python自动化数据采集与NLP分析的技术实践笔记。使用的技术栈包括：Python爬虫、jieba/SnowNLP情感分析、TF-IDF关键词提取、LDA主题模型、Matplotlib数据可视化。本文由脚本自动生成，仅记录技术实现过程，所有数据来源于公开渠道。基于全球经济类多源新闻的NLP情感分析与数据可视化（日间）

大模型最新论文速读

05-18 · LLM 最新论文速览今日候选池 93 篇，硬过滤 + LLM 打分后通过评估 27 篇，精选 Top-10，另列 17 篇速览。

NLP —— Transformer底层源码剖析（框架使用）本篇是结合前面几篇把，Transformer 最终整个框架封装好直接拿来使用实例代码。目录Transformer 原理

[自然语言处理-入门] 语音识别知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

甄心爱学习

【自然语言处理】词汇与表征自然语言处理第一章中的几个问题：离散型向量（如 One-hot 编码）是将词汇表大小作为维度，当前词所在位置为 1，其余为 0。相比之下，分布式表示（如 Word2Vec, GloVe 生成的低维稠密向量）具有压倒性优势：

大语言模型出现幻觉的原因与缓解方案大语言模型在处理自然语言时，有时会出现幻觉，表现为回答不准确或前后不一致的问题。这些幻觉可以分为两类:

【自然语言处理 NLP】9.1 检索增强生成高级架构：GraphRAG 与结构化知识检索阅读导航：我们从传统 RAG 的"天花板"说起，层层剥开 GraphRAG 的索引与检索内核。每节只解决一个认知疑点：先建立直觉（toy example），再看工业实现，最后给你可落地的伪代码。如果你熟悉 RNN 的展开结构和全连接层的矩阵乘法，那么这里的图遍历和稀疏运算只是老朋友换了身衣服。

[自然语言处理-入门] 语言模型LM知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

[自然语言处理-入门] 语音转换VC知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

测试工程师驾驭大语言模型的第一步FNN前馈神经网络。FNN是最简单的神经网络，像一个完全新手的厨师，只看当前的步骤，没有前后步骤的记忆和关联。一个新手厨师第一次拿到菜谱后，就开始按照菜谱做饭，看一步做一步，每一步都是独立的，比如看到了“切葱”的步骤，就只看到切葱的输入“粗细、长短”等，输出就是“切成小段的细葱丝”。

AI人工智能+

基于OCR与深度学习的发票识别技术，重构报销系统效率随着企业数字化转型的加速，传统的“贴票、填单、审批”报销模式已难以满足高效、精准的财务管理需求。其中，发票识别技术（OCR + AI）作为连接纸质/电子票据与数字化财务系统的核心桥梁，正在彻底重塑企业的费用报销流程。本文将深入探讨该技术的原理、功能特点及其在报销系统中的实际应用价值。

《Transformers are Inherently Succinct》论文解读：从“能表达什么”到“多紧凑地表达”这篇论文讨论的不是我们日常工程里最熟悉的 Transformer 训练技巧、注意力优化或大模型推理加速，而是一个更偏理论但很有启发性的问题：Transformer 到底强在哪里？

大模型最新论文速读

05-15 · LLM 最新论文速览今日候选池 88 篇，硬过滤 + LLM 打分后通过评估 24 篇，精选 Top-10，另列 14 篇速览。

NLP —— Transformer底层源码剖析（解码器部分+输出）Transformer 解码器组成部分Transformer 解码器由（解码器输入层数据 + 编码器输出数据），

财经资讯数据_灵砚智能

基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-次晨）2026年5月17日关于本文：这是一篇Python自动化数据采集与NLP分析的技术实践笔记。使用的技术栈包括：Python爬虫、jieba/SnowNLP情感分析、TF-IDF关键词提取、LDA主题模型、Matplotlib数据可视化。本文由脚本自动生成，仅记录技术实现过程，所有数据来源于公开渠道。基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-凌晨）

甄心爱学习

【自然语言处理】词性标注-HMM与条件随机场内容来自syq老师的自然语言课程，侵删我去，突然发现HMM可以用贝叶斯公式推导，这样公式就好记了：贝叶斯公式的核心思想是：后验概率似然度先验概率。