在人工智能从感知走向认知的关键跨越中，自然语言处理（NLP）与知识图谱构成了机器理解人类语义的核心基石。本课程《自然语言处理&知识图谱》摒弃了空洞的概念堆砌，以循环神经网络（RNN）为手术刀，深入算法肌理，旨在帮助学习者构建从数据清洗到模型落地的完整技术闭环。
一、学习路径与前置门槛
本课程适合具备 Python 基础及线性代数、概率论基本知识的初学者或进阶者。虽然无需精通底层数学推导，但若对矩阵运算或梯度下降缺乏直观认识，建议先完成前几节关于“数据维度与神经网络”的回顾内容，以夯实基础。
学习顺序呈螺旋上升结构：首章聚焦理论筑基，从 RNN 的细胞结构原理出发，讲解文本如何转化为词向量；第二章迅速转入实战，通过情感分析任务验证理论；后续章节预计将进一步探讨长短时记忆网络（LSTM）以解决梯度消失问题，并引入知识图谱的构建逻辑，形成“算法+数据+知识”的三维能力体系。
二、核心内容与实战产出
课程最大亮点在于“知其然更知其所以然”。在词向量章节，学习者将理解 Word2Vec 背后的Skip-gram与CBOW模型，洞察语义空间中的向量加减法——例如通过类比推理捕捉“国王-男人+女人≈女王”的奇妙规律，建立对语义嵌入的深刻直觉。
在实战环节，课程以购物评论数据集为例，引导学员从零构建 RNN 情感分类器。学员不仅能掌握 LSTM 单元的门控机制以克服长序列依赖难题，还能对比 DNN、CNN 与 RNN 在序列任务上的性能差异。完成课程后，你将能够：
- 独立实现基于 RNN/LSTM 的文本序列建模；
- 熟练处理非结构化文本数据，完成词袋模型到分布式表示的转换；
- 具备构建简单情感分析管线的能力，为后续接入知识图谱推理奠定工程基础。
三、资料使用建议
建议采用“边看边跑”的学习策略。下载配套代码后，不要仅满足于运行成功，应尝试修改超参数（如隐藏层维度、学习率）、替换不同数据集（如 IMDb 影评或微博数据），以观察模型收敛性的变化。对于视频资源中省略的代码细节，务必对照源码进行逐行调试，这是将理论知识转化为肌肉记忆的关键步骤。此外，结合知识图谱章节的内容，可进一步思考如何将 RNN 提取的实体关系融入图谱存储，实现从单一模型到系统级应用的跃迁。
课程目录
1-1 [RNN 循环神经网络初探] 课程介绍与资源下载 (06:30) 1-2 [RNN 循环神经网络初探] 温故而知新可以为师矣（回顾数据维度与神经网络） (15:44) 1-3 [RNN 循环神经网络初探] 看我72变（文本转变为词向量） (07:39) 1-4 [RNN 循环神经网络初探] 有趣灵魂万里挑一（有趣的词嵌入） (10:59) 1-5 [RNN 循环神经网络初探] 知其然知其所以然（RNN原理剖析） (17:26) 2-1 [RNN 情感评论鉴定] 大浪淘沙，数据淘金（加载购物评论数据集） (12:51) 2-2 [RNN 情感评论鉴定] DNN CNN RNN GNN（构建RNN神经网络） (12:59) 2-3 [RNN 情感评论鉴定] 周而复始，循环往复（多循环神经网络原理分析） (12:33) 2-4 [RNN 情感评论鉴定] "长短"记忆，取长补短（LSTM原理剖析） (19:38) 2-5 [RNN 情感评论鉴定] 环环相扣，相辅相成（LSTM与BiLSTM） (11:26) 3-1 [Bert 与多分类实现] 直须惊破曹公胆，初出茅庐第一功（欢迎使用Bert） (14:53) 3-2 [Bert 与多分类实现] 物以类聚人以群分（Bert实现文本分类） (17:53) 3-3 [Bert 与多分类实现] 巧妇难为无米之炊（数据获取与处理） (17:38) 3-4 [Bert 与多分类实现] 一石二鸟，一箭双雕（Bert实现文本多分类） (12:10) 4-1 [HMM与LTP词性标注] 老马识途（命名实体识别与HMM） (20:25) 4-2 [HMM与LTP词性标注] 隐马尔可夫模型（HMM原理剖析） (15:52) 4-3 [HMM与LTP词性标注] 知行合一方为真知（HMM代码实现） (07:42) 4-4 [HMM与LTP词性标注] 学而时习之,不亦说乎（阶段回顾与LTP） (15:44) 4-5 [HMM与LTP词性标注] 动宾搭配，干活不累（依存句法分析、词性标注实现） (16:58) 5-1 [无图谱不AI] 山中无好汉，猢猻称霸王（语义角色构建图谱） (18:07) 5-2 [无图谱不AI] 三个臭皮匠不如诸葛亮（三元组保存Neo4j） (13:38) 5-3 [无图谱不AI] 怀金悼玉，情结千载（红楼梦人物图谱分析_上） (10:25) 5-4 [无图谱不AI] 恩怨情仇，黄梁一梦（红楼梦人物图谱分析_下） (10:10) 5-5 [无图谱不AI] 温故而知新，后会有期（课程总复习） (09:28)
