《自然语言处理》课程大纲一、课程名称：自然语言处理二、课程性质：选修、理论课三、学时与学分：40学时（理论学时：32，实验学时：8），2.5学分四、课程先导课：线性代数（或矩阵论），概率论与数理统计，微积分，C语言程序设计（或python/java/c++任何一种编程语言），算法设计与分析五、课程简介“自然语言处理”是一门兼顾理论性与实践性的课程，主要包含七个重要部分：自然语言处理综述、语言模型（N-gram语言模型）、序列标注问题（Sequencelabellingproblem)、句法分析、语义分析、情感分析、词向量等。其中：自然语言处理综述主要介绍人工智能发展历史综述，不同领域自然语言处理应用问题及方法等，自然语言处理基本技术方法概述，其中包括部分机器学习知识，自然语言处理层次架构，具体任务介绍，歧义问题，经验主义方法等；语言模型主要包括自然语言处理相关语言模型基础理论以及相关平滑处理技术等（如N-Gram；链式规则ChainRule等）；序列标注问题（Sequencelabellingproblem）主要知识点包括序列标注学习及其相关应用等（如离散/连续马尔科夫模型、中文分词、词性标注、命名实体识别等）：句法分析主要包括自然语言中语法分析等基础理论知识等（如上下文无关文法、自上而下句法分析、概率上下文无关文法、最大似然训练、依存语法树等）：语义分析主要知识点包括自然语言中语义分析等基础理论知识等（如语义角色、语义角色标注、基于句法树方法等）：词尚量主要包括基于神经网络的自然语言处理技术与基础理论知识等（如Word2vec词向量、基于循环神经网络语言模型等）。力求跟踪自然语言处理的发展脉络、技术理论、产业成果并以翔实的形态进行展现教学。六、课程目标通过相关教学活动，帮助学生理解自然语言处理的核心概念、任务和方法，建立从数理基础到实际应用的整体思维框架，培养学生深入思考，知行合一的科学思维方法，提高学生对于自然语言处理技术的理解与应用能力。课程的具体目标包括：目标1：使学生掌握自然语言处理基本思想原理、流行算法和技术，着重讲述自然语言处理中经典任务：中文语言基本处理（分词、词性标注、命名实体识别等）及典型自然语言处理相关应用问题等。同时，将方法与理论（统计机器学
《自然语言处理》课程大纲 一、课程名称：自然语言处理 二、课程性质：选修、理论课 三、学时与学分：40 学时（理论学时：32，实验学时：8），2.5 学分 四、课程先导课：线性代数（或矩阵论），概率论与数理统计， 微积分，Ｃ语 言程序设计（或 python/java/c++任何一种编程语言），算法设计与分析 五、课程简介 “自然语言处理”是一门兼顾理论性与实践性的课程，主要包含七个重要部 分：自然语言处理综述、语言模型（N-gram 语言模型）、序列标注问题 (Sequence labelling problem)、句法分析、语义分析、情感分析、词向量等。其中：自然语 言处理综述主要介绍人工智能发展历史综述，不同领域自然语言处理应用问题及 方法等，自然语言处理基本技术方法概述，其中包括部分机器学习知识，自然语 言处理层次架构，具体任务介绍，歧义问题，经验主义方法等；语言模型主要包 括自然语言处理相关语言模型基础理论以及相关平滑处理技术等（如 N-Gram； 链式规则 Chain Rule 等）；序列标注问题 (Sequence labelling problem) 主要知识 点包括序列标注学习及其相关应用等（如离散/连续马尔科夫模型、中文分词、 词性标注、命名实体识别等）；句法分析主要包括自然语言中语法分析等基础理 论知识等（如上下文无关文法、自上而下句法分析、概率上下文无关文法、最大 似然训练、依存语法树等）；语义分析主要知识点包括自然语言中语义分析等基 础理论知识等（如语义角色、语义角色标注、基于句法树方法等）；词向量主要 包括基于神经网络的自然语言处理技术与基础理论知识等（如 Word2vec 词向量、 基于循环神经网络语言模型等）。力求跟踪自然语言处理的发展脉络、技术理论、 产业成果并以翔实的形态进行展现教学。 六、课程目标 通过相关教学活动，帮助学生理解自然语言处理的核心概念、任务和方法， 建立从数理基础到实际应用的整体思维框架，培养学生深入思考，知行合一的科 学思维方法，提高学生对于自然语言处理技术的理解与应用能力。 课程的具体目标包括： 目标 1：使学生掌握自然语言处理基本思想原理、流行算法和技术，着重讲 述自然语言处理中经典任务：中文语言基本处理（分词、词性标注、命名实体识 别等）及典型自然语言处理相关应用问题等。同时，将方法与理论（统计机器学
习理论/计算学习理论/数据挖掘理论/信息学理论）紧密结合，掌握自然语言处理的基本思想、概念和常见算法；为毕业要求1提供支持。目标2：使学生理解概率论、统计、认知科学等基础交叉学科知识和思想在计算机相关问题的建模发挥的作用，理解相关模型的思想本质，学生对自然语言领域的研究对象、研究目标和研究方法有全局性的了解；为毕业要求1提供支持。目标3：通过习题讨论、实验和课程设计，使学生巩固理论思想和知识，培养学生分析模型、动手实现自然语言处理中不同任务和应用，以及解决科研与实际问题的能力。这需要通过学习掌握新技术和新方法才能做，从而锻炼自主学习的能力。为毕业要求12提供支持。目标4：能认识到计算机技术日新月异的发展特点，以我们课程所介绍的人工智能、大数据、自然语言处理为例，使学生认同自主学习和终身学习的必要性。为毕业要求12提供支持。七、课程自标对毕业要求的支撑关系支撑的毕业要求二级指标点对应课程目标目标1-21.1能将数学、自然科学和信息科学的语言工具用手计算机复杂工程问题的表述。1.2能针对计算机复杂工程问题的具体对象进行建模和求解。目标1-212.1能认识到计算机技术日新月异的发展特点，认同自主学习和终目标3身学习的必要性12.2具备自主学习能力，能通过多种途径拓展自己的知识和能力，目标4包括理解能力，归纳总结的能力和提出问题的能力等八、教学设计及对课程目标的支持第一章自然语言处理综述本章主要介绍人工智能发展历史综述，不同领域自然语言处理应用问题及方法等，自然语言处理基本技术方法概述，其中包括部分机器学习知识，自然语言处理层次架构，具体任务介绍，歧义问题，经验主义方法等。1.教学目标1）了解自然语言处理主要应用；2）了解自然语言处理基本技术方法：本章教学支持课程目标1和课程目标4。2.教学重点机器学习知识。3.教学难点学习概率论中相关知识思想，应用分析解决实际自然语言中问题
习理论/计算学习理论/数据挖掘理论/信息学理论）紧密结合，掌握自然语言处理 的基本思想、概念和常见算法；为毕业要求 1 提供支持。 目标 2：使学生理解概率论、统计、认知科学等基础交叉学科知识和思想在 计算机相关问题的建模发挥的作用，理解相关模型的思想本质，学生对自然语言 领域的研究对象、研究目标和研究方法有全局性的了解；为毕业要求 1 提供支持。 目标 3：通过习题讨论、实验和课程设计，使学生巩固理论思想和知识，培 养学生分析模型、动手实现自然语言处理中不同任务和应用，以及解决科研与实 际问题的能力。这需要通过学习掌握新技术和新方法才能做，从而锻炼自主学习 的能力。为毕业要求 12 提供支持。 目标 4：能认识到计算机技术日新月异的发展特点，以我们课程所介绍的人 工智能、大数据、自然语言处理为例，使学生认同自主学习和终身学习的必要性。 为毕业要求 12 提供支持。 七、课程目标对毕业要求的支撑关系 支撑的毕业要求二级指标点 对应课程目标 1.1 能将数学、自然科学和信息科学的语言工具用于计算机复杂工程 问题的表述。 目标 1-2 1.2 能针对计算机复杂工程问题的具体对象进行建模和求解。 目标 1-2 12.1 能认识到计算机技术日新月异的发展特点，认同自主学习和终 身学习的必要性 目标 3 12.2 具备自主学习能力，能通过多种途径拓展自己的知识和能力， 包括理解能力，归纳总结的能力和提出问题的能力等 目标 4 八、教学设计及对课程目标的支持 第一章 自然语言处理综述 本章主要介绍人工智能发展历史综述，不同领域自然语言处理应用问题及方 法等，自然语言处理基本技术方法概述，其中包括部分机器学习知识，自然语言 处理层次架构，具体任务介绍，歧义问题，经验主义方法等。 1.教学目标 1）了解自然语言处理主要应用； 2）了解自然语言处理基本技术方法； 本章教学支持课程目标 1 和课程目标 4。 2.教学重点 机器学习知识。 3.教学难点 学习概率论中相关知识思想，应用分析解决实际自然语言中问题
4.教学环节设计结合现代机器学习以及自然语言处理的发展，开展文献阅读与讨论，较全面地介绍自然语言处理领域的核心概念、任务和方法。第二章基本数学及信息学理论本章的主要知识点包括概率论基础及信息论基础以及线性代数，最大似然估计等机器学习知识与方法。·概率Probability，条件概率ConditionalProbability，期望Expectation，方差Variance，标准差Deviation，协方差Covariance，二项分布BinomialDistribution，高斯分布GaussianDistribution等:·熵Entropy，联合熵JointEntropy，条件熵ConditionalEntropy，互信息MutualInformation，KL散度KL-Divergence，交叉熵CrossEntropy·最大似然估计MaximumLikelihoodEstimation；·梯度下降GradientDescent；·参数学习ParameterEstimation;1.教学目标1）了解线性代数等基本数学知识；2）了解概率论基础；3）了解信息论基础：本章教学支持的课程目标为目标1和目标2。2.教学重点统计概率论基础。通过上述内容的教学，使学生了解统计概率论的核心概念和应用方法。3.教学难点经典概率论知识：条件概率，贝叶斯定理，期望，方差，标准差，协方差，二项分布，高斯分布等。4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，从数理基础、方法与应用、前沿专题三个层次培养学生的科学思维方法。1）课堂讨论围绕统计概率应用的不同实例展开，使学生不仅了解基础的统计概率知识，也能初步联系实践。2）课外阅读推荐优秀文章，使学生建立良好的数理基础概念
4.教学环节设计 结合现代机器学习以及自然语言处理的发展，开展文献阅读与讨论，较全面 地介绍自然语言处理领域的核心概念、任务和方法。 第二章 基本数学及信息学理论 本章的主要知识点包括概率论基础及信息论基础以及线性代数，最大似然估 计等机器学习知识与方法。 概率 Probability，条件概率 Conditional Probability，期望 Expectation ， 方 差 Variance ， 标 准 差 Deviation ， 协 方 差 Covariance，二项分布 Binomial Distribution，高斯分布 Gaussian Distribution 等; 熵 Entropy，联合熵 Joint Entropy，条件熵 Conditional Entropy， 互信息 Mutual Information，KL 散度 KL-Divergence，交叉熵 Cross Entropy 最大似然估计 Maximum Likelihood Estimation； 梯度下降 Gradient Descent； 参数学习 Parameter Estimation； 1.教学目标 1) 了解线性代数等基本数学知识； 2）了解概率论基础； 3）了解信息论基础； 本章教学支持的课程目标为目标 1 和目标 2。 2.教学重点 统计概率论基础。 通过上述内容的教学，使学生了解统计概率论的核心概念和应用方法。 3.教学难点 经典概率论知识：条件概率，贝叶斯定理，期望，方差，标准差，协方差， 二项分布，高斯分布等。 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，从数理基础、方 法与应用、前沿专题三个层次培养学生的科学思维方法。 1）课堂讨论 围绕统计概率应用的不同实例展开，使学生不仅了解基础的统计概率知识， 也能初步联系实践。 2）课外阅读 推荐优秀文章，使学生建立良好的数理基础概念
第三章语言模型（N-gram语言模型）本章的主要知识点包括自然语言处理相关语言模型基础理论以及相关平滑处理技术等。·语言模型LanguageModel，N-Gram；链式规则ChainRule·数据稀疏Sparseness，Zipf定律ZipfLaw，平滑技术Smoothing/Good-TuringSmoothing，Katz回退KatzBackoff等；·相似度计算Similarity，TF-IDF，欧式距离EuclideanDistance，余弦距离Cosine，翻译模型Translation-basedSimilarity，查询最大释然函数Query-likelihoodModel，编辑距离EditDistance等；1.教学目标1）了解语言模型基础理论；2）了解相关平滑处理技术；3）了解向量距离度量方法；本章教学支持的课程目标为目标1。2.教学重点语言模型的核心理论细节。3.教学难点掌握自然语言处理的基本思想、概念和常见算法：如TF-IDF，语言模型，链式规则，N-Gram，数据稀疏，Zipf定律，平滑技术等。4.教学环节设计围绕教学重点和教学难点，综合应用课堂讲授与讨论1）讨论本章课堂讨论主要围绕语言模型在真实场景中的应用。第四章序列标注问题(Sequence labellingproblem）本章的主要知识点包括序列标注学习极其相关应用等。具体包括：·离散/连续马尔科夫模型Discrete/ContinuousMarkovModel·中文分词ChineseWordSegmentation·词性标注Part-of-Speech·命名实体识别NameEntityRecognition·短语识别Chunking·滑动窗口模型SlidingWindowModel·标注偏置问题Labelbiasproblem·隐马尔可夫模型HiddenMarkovModel
第三章 语言模型（N-gram 语言模型） 本章的主要知识点包括自然语言处理相关语言模型基础理论以及相关平滑 处理技术等。 语言模型 Language Model，N-Gram；链式规则 Chain Rule 数据稀疏 Sparseness，Zipf 定律 Zipf Law，平滑技术 Smoothing/ Good-Turing Smoothing, Katz 回退 Katz Backoff 等； 相似度计算 Similarity，TF-IDF，欧式距离 Euclidean Distance， 余弦距离 Cosine，翻译模型 Translation-based Similarity，查询 最大释然函数 Query-likelihood Model，编辑距离 Edit Distance 等； 1.教学目标 1）了解语言模型基础理论； 2）了解相关平滑处理技术； 3）了解向量距离度量方法； 本章教学支持的课程目标为目标 1。 2.教学重点 语言模型的核心理论细节。 3.教学难点 掌握自然语言处理的基本思想、概念和常见算法：如 TF-IDF，语言模型，链 式规则，N-Gram，数据稀疏，Zipf 定律，平滑技术等。 4.教学环节设计 围绕教学重点和教学难点，综合应用课堂讲授与讨论 1）讨论 本章课堂讨论主要围绕语言模型在真实场景中的应用。 第四章 序列标注问题 (Sequence labelling problem) 本章的主要知识点包括序列标注学习极其相关应用等。具体包括： 离散/连续马尔科夫模型 Discrete/Continuous Markov Model 中文分词 Chinese Word Segmentation 词性标注 Part-of-Speech 命名实体识别 Name Entity Recognition 短语识别 Chunking 滑动窗口模型 Sliding Window Model 标注偏置问题 Label bias problem 隐马尔可夫模型 Hidden Markov Model
·结构化感知器StructuredPerceptron，评价Evaluation等1.教学目标1）了解序列标注任务特点；2）了解中文分词、命名实体识别等技术；3）了解滑动窗口模型和隐马尔可夫模型：本章教学支持课程目标1和目标2。2.教学重点1）序列预测通过本知识点的教学，让学生深刻理解自然语言中的序列预测模型的基础概念与实践应用。3.教学难点序列标注的理论与方法，以及相关应用，如词性标注、中分分词、命名实体识别等。4.教学环节设计围绕教学重点和教学难点，对应设计第1，2个实验环节。第五章句法分析本章的主要知识点包括自然语言中语法分析等基础理论知识。·上下文无关文法ContextFreeGrammar·自上而下句法分析Top-downParsing·自下而上句法分析Bottom-upParsing·乔姆斯基范式ChomskyNormForm·语义消歧SemanticDisambiguation·概率上下文无关文法ProbabilisticContextFreeGrammar·最大概率句法树Most-likelyDerivation·最大似然训练MaximumLikelihood Training·依存语法DependencyGrammar，依存表示DependencyRepresentation，可投射性Projectivity，图方法Graph-basedParsing，Eisner算法，局部分类方法DeterministicP（ParsingShift-reduce算法）等；1.教学目标1）了解文法的基本概念；2）了解句法分析的基础理论知识：本章教学支持课程目标1和课程目标2。2.教学重点
结构化感知器 Structured Perceptron，评价 Evaluation 等 1.教学目标 1）了解序列标注任务特点； 2）了解中文分词、命名实体识别等技术； 3）了解滑动窗口模型和隐马尔可夫模型； 本章教学支持课程目标 1 和目标 2。 2.教学重点 1）序列预测 通过本知识点的教学，让学生深刻理解自然语言中的序列预测模型的基础概 念与实践应用。 3.教学难点 序列标注的理论与方法，以及相关应用，如词性标注、中分分词、命名实体 识别等。 4.教学环节设计 围绕教学重点和教学难点，对应设计第 1，2 个实验环节。 第五章 句法分析 本章的主要知识点包括自然语言中语法分析等基础理论知识。 上下文无关文法 Context Free Grammar 自上而下句法分析 Top-down Parsing 自下而上句法分析 Bottom-up Parsing 乔姆斯基范式 Chomsky Norm Form 语义消歧 Semantic Disambiguation 概率上下文无关文法 Probabilistic Context Free Grammar 最大概率句法树 Most-likely Derivation 最大似然训练 Maximum Likelihood Training 依 存 语 法 Dependency Grammar ， 依 存 表 示 Dependency Representation，可投射性 Projectivity，图方法 Graph-based Parsing，Eisner 算法，局部分类方法 Deterministic P（Parsing Shift-reduce 算法) 等； 1.教学目标 1）了解文法的基本概念； 2）了解句法分析的基础理论知识； 本章教学支持课程目标 1 和课程目标 2。 2.教学重点
句法分析的技术特点3.教学难点理解依存语法和图方法。4.教学环节设计围绕教学重点和教学难点，除课堂讲授外，还需综合应用讨论、作业。1）讨论本章课堂讨论围绕依赖语法的基础知识及构建等内容展开。2）作业基于依赖语法的图构建。第六章语义分析本章的主要知识点包括自然语言中语义分析等基础理论知识。·语义角色SemanticRoles·语义角色标注SemanticRoleLabelling·格语法CaseGrammar·框架语义Frame Semantics·选择限制SelectionRestriction·基于句法树方法Syntax-basedMethod1.教学目标1）了解语义分析的基础理论知识：2）了解语义角色标注技术；本章教学支持的课程目标为目标1和目标2。2.教学重点语义分析的技术特点。3.教学难点理解格语法和框架语义。4.教学环节设计围绕教学重点和教学难点，除课堂讲授外，还需综合应用讨论、作业。1）讨论本章课堂讨论围绕语义分析的基础知识及构建等内容展开。2）作业句法树的构建。第七章情感分析本章的主要知识点包括情感分析技术理论与方法。·感情倾向性分析EmotionalSentimentPolarityAnalysis
句法分析的技术特点 3.教学难点 理解依存语法和图方法。 4.教学环节设计 围绕教学重点和教学难点，除课堂讲授外，还需综合应用讨论、作业。 1）讨论 本章课堂讨论围绕依赖语法的基础知识及构建等内容展开。 2）作业 基于依赖语法的图构建。 第六章 语义分析 本章的主要知识点包括自然语言中语义分析等基础理论知识。 语义角色 Semantic Roles 语义角色标注 Semantic Role Labelling 格语法 Case Grammar 框架语义 Frame Semantics 选择限制 Selection Restriction 基于句法树方法 Syntax-based Method 1.教学目标 1）了解语义分析的基础理论知识； 2）了解语义角色标注技术； 本章教学支持的课程目标为目标 1 和目标 2。 2.教学重点 语义分析的技术特点。 3.教学难点 理解格语法和框架语义。 4.教学环节设计 围绕教学重点和教学难点，除课堂讲授外，还需综合应用讨论、作业。 1）讨论 本章课堂讨论围绕语义分析的基础知识及构建等内容展开。 2）作业 句法树的构建。 第七章 情感分析 本章的主要知识点包括情感分析技术理论与方法。 感情倾向性分析 Emotional Sentiment Polarity Analysis
·主客观分析SubjectivityClassification·情感词库SentimentLexicon·情感分类SentimentClassification·规则方法Rule-basedMethod·机器学习方法MachineLearning-basedMethod·观点抽取OpinionExtraction·观点要素提取AspectExtractionandAnalysis1.教学目标1）了解情感分析的基础理论知识；2）了解基于规则和统计机器学习的情感分析技术；本章教学支持的课程目标为目标1和目标2。2.教学重点情感分析的技术特点3.教学难点理解观点抽取技术和观点要素提取技术。4.教学环节设计围绕教学重点和教学难点，除课堂讲授外，对应设计习题与讨论。第八章词向量与多层感知器本章的主要知识点包括基于神经网络的自然语言处理技术与基础理论知识。·word2vec，词向量特点CharacteristicsofWordVector，内部评价与外部评价IntrinsicandExtrinsicEvaluation，多层感知器与logistic回归Multi-layerPerceptron andLogisticRegression，激活函数ActivationFunction，反向传播算法BackPropagation，随机梯度下降StochasticGradientDescent，参数优化ParameterOptimization;·基于循环神经网络语言模型RecurrentNeuralNetworkbasedLanguageModelling，梯度爆炸与梯度消失GradientExplodingandGradientVanishing，梯度截断GradientClipping，长短时记忆网络LSTM（LongShort-TermMemory），GRU（GatedRecurrentUnit），基于双向循环神经网络的序列标注Bi-directionalRNNbased Sequence Labelling;组合性原理PrincipleofCompositionality，递归神经网络与短语结构句法分析RecursiveNeuralNetworkforConstituency
主客观分析 Subjectivity Classification 情感词库 Sentiment Lexicon 情感分类 Sentiment Classification 规则方法 Rule-based Method 机器学习方法 Machine Learning-based Method 观点抽取 Opinion Extraction 观点要素提取 Aspect Extraction and Analysis 1.教学目标 1）了解情感分析的基础理论知识； 2）了解基于规则和统计机器学习的情感分析技术； 本章教学支持的课程目标为目标 1 和目标 2。 2.教学重点 情感分析的技术特点 3. 教学难点 理解观点抽取技术和观点要素提取技术。 4. 教学环节设计 围绕教学重点和教学难点，除课堂讲授外，对应设计习题与讨论。 第八章 词向量与多层感知器 本章的主要知识点包括基于神经网络的自然语言处理技术与基础理论知识。 word2vec，词向量特点 Characteristics of Word Vector，内部评 价与外部评价 Intrinsic and Extrinsic Evaluation，多层感知器 与 logistic 回 归 Multi-layer Perceptron and Logistic Regression，激活函数 Activation Function，反向传播算法 Back Propagation，随机梯度下降 Stochastic Gradient Descent，参数 优化 Parameter Optimization; 基于循环神经网络语言模型 Recurrent Neural Network based Language Modelling，梯度爆炸与梯度消失 Gradient Exploding and Gradient Vanishing，梯度截断 Gradient Clipping，长短时 记忆网络 LSTM（Long Short-Term Memory），GRU （Gated Recurrent Unit），基于双向循环神经网络的序列标注 Bi-directional RNN based Sequence Labelling； 组合性原理 Principle of Compositionality，递归神经网络与短 语结构句法分析 Recursive Neural Network for Constituency
Parsing，卷积神经网络与文本分类ConvolutionalNeuralNetworkfor Document Classification, Dropout;1.教学目标1）了解词向量的基础理论知识；2）了解循环神经网络的相关技术和知识。本章教学支持的课程目标为目标1和目标2。2.教学重点基于神经网络的自然语言处理3.教学难点学习掌握神经网络基本理论与知识以及网络构建与参数性能优化，如卷积神经网络，循环神经网络等；4.教学环节设计除课堂讲授外，还将设计对应的习题和讨论辅助教学。九、实验内容序号教学内容教学目标教学方式课程目标理解序列标注理论基础与数学推导。教师演目标1中文分词的方理解不同中文分词算法思想，如基于示、实验+目标2法研究与实现词典方法，基于统计概率方法以及基实验报告于深度学习方法等。理解序列标注问题/条件随机场理论词性标注/命教师演目标1基础与数学推导。2示、实验+名实体识别方目标2理解不同词性标注/命名实体识别算实验报告法研究与实现法思想，如隐马尔科夫模型等。十、教与学1.教学方法主要的教学环节包括课堂授课、研讨、课后作业等环节。本课程的教学设计特色主要体现在如下三个方面：1）问题引导的教学方法。将围绕课程教学的重难点，精心设计若干探究性问题，创造良好的讨论氛围，引导同学深入思考，加深所学重、难点知识的理解和应用
Parsing，卷积神经网络与文本分类 Convolutional Neural Network for Document Classification，Dropout； 1.教学目标 1) 了解词向量的基础理论知识； 2) 了解循环神经网络的相关技术和知识。 本章教学支持的课程目标为目标 1 和目标 2。 2.教学重点 基于神经网络的自然语言处理 3.教学难点 学习掌握神经网络基本理论与知识以及网络构建与参数性能优化，如卷积神 经网络，循环神经网络等； 4.教学环节设计 除课堂讲授外，还将设计对应的习题和讨论辅助教学。 九、实验内容 序号 教学内容 教学目标 教学方式 课程目标 1 中文分词的方 法研究与实现 理解序列标注理论基础与数学推导。 理解不同中文分词算法思想，如基于 词典方法，基于统计概率方法以及基 于深度学习方法等。 教师演 示、实验+ 实验报告 目标 1 目标 2 2 词性标注/命 名实体识别方 法研究与实现 理解序列标注问题/条件随机场理论 基础与数学推导。 理解不同词性标注/命名实体识别算 法思想，如隐马尔科夫模型等。 教师演 示、实验+ 实验报告 目标 1 目标 2 十、教与学 1.教学方法 主要的教学环节包括课堂授课、研讨、课后作业等环节。本课程的教学设计 特色主要体现在如下三个方面： 1）问题引导的教学方法。将围绕课程教学的重难点，精心设计若干探究性 问题，创造良好的讨论氛围，引导同学深入思考，加深所学重、难点知识的理解 和应用
2）强调理论与实践相结合，强化创新思维。该课程的教学与实验相配合实验内容与理论课程教学进度同步，通过实验加深对所学理论知识的理解，提升学生应用理论知识解决实际问题的能力，通过实验也可以引导学生进一步深入探究，充分发挥理论知识，进行思考与创新。2.学习方法“自然语言处理”是一门理论性和实践性都很强的课程，学习过程中，首先要注重对课程涉及的基本知识理论的掌握与应用，要引导学生积极参与课堂讨论、深刻理解基础原理与算法本质，从数理基础、方法与应用、前沿专题三个层次培养学生的科学思维方法；其次，要站在系列课程的角度学习，本课程的学习需要线性代数、概率论与数理统计、微积分、编程语言程序设计、算法设计与分析等前导课的知识和技术支撑；第三，独立完成课程配套开设的实验，通过实验，加强对课程理论知识的理解，使学生真正做到理论与实际相结合，能够将所学的相关理论知识与真实应用下的场景落地相结合，通过实践项目引导学生进一步深入探究，鼓励积极思考与创新，培养学生实际分析问题、解决问题的能力。十一、学时分配序号主要内容学时分配1课内4自然语言处理综述2基本数学与信息学理论课内 43语言模型课内44序列标注问题课内4+实验85句法分析课内 46课内4语义分析7课内4情感分析8词向量与多层感知器课内440总计十二、课程考核与成绩评定1.课程成绩构成课程最终成绩由考勤、课后作业与阅读笔记报告、实验及课堂展示成绩、课程报告综合而成，各部分成绩的比例如下：1）考勤成绩：10%。2）课后作业与阅读笔记报告：20%3）实验及课堂展示：30%。4）课程报告：40%。课程考核成绩评定如表1所示：
2）强调理论与实践相结合，强化创新思维。该课程的教学与实验相配合， 实验内容与理论课程教学进度同步，通过实验加深对所学理论知识的理解，提升 学生应用理论知识解决实际问题的能力, 通过实验也可以引导学生进一步深入 探究，充分发挥理论知识，进行思考与创新。 2.学习方法 “自然语言处理”是一门理论性和实践性都很强的课程，学习过程中，首先要 注重对课程涉及的基本知识理论的掌握与应用，要引导学生积极参与课堂讨论、 深刻理解基础原理与算法本质，从数理基础、方法与应用、前沿专题三个层次培 养学生的科学思维方法；其次，要站在系列课程的角度学习，本课程的学习需要 线性代数、概率论与数理统计、微积分、编程语言程序设计、算法设计与分析等 前导课的知识和技术支撑；第三，独立完成课程配套开设的实验，通过实验，加 强对课程理论知识的理解，使学生真正做到理论与实际相结合，能够将所学的相 关理论知识与真实应用下的场景落地相结合，通过实践项目引导学生进一步深入 探究，鼓励积极思考与创新，培养学生实际分析问题、解决问题的能力 。 十一、学时分配 序号 主要内容 学时分配 1 自然语言处理综述 课内 4 2 基本数学与信息学理论 课内 4 3 语言模型 课内 4 4 序列标注问题 课内 4+实验 8 5 句法分析 课内 4 6 语义分析 课内 4 7 情感分析 课内 4 8 词向量与多层感知器 课内 4 总计 40 十二、课程考核与成绩评定 1.课程成绩构成 课程最终成绩由考勤、课后作业与阅读笔记报告、实验及课堂展示成绩、课 程报告综合而成，各部分成绩的比例如下： 1）考勤成绩：10%。 2）课后作业与阅读笔记报告：20% 3）实验及课堂展示：30%。 4）课程报告：40%。 课程考核成绩评定如表 1 所示：
表1自然语言处理技术课程考核与成绩评定考核与评价方式及成绩比例课程目标毕业要求成绩占比(约)考勤与实验课程报告1课程目标1204060%2103040%课程目标22.考核与评价标准1）作业成绩考核与评价标准表2自然语言处理技术课程考勤与实验考核与成绩评定课程评价标准目标优秀良好及格不及格按时参加课堂学按时参加课堂学未按时参加课按时参加课堂学习，目标1习，能完成实验任堂学习，实验在规定的时间内完习，能完成全部实目标2成全部实验任务，报验任务，报告撰写务，结果存在少量任务完成情况良好。告撰写优秀。问题，报告撰写基差，结果存在本满足要求。较多问题，报告撰写有问题。2）课程考核与成绩评定根据期末考试的报告评分标准进行评定。自然语言处理技术课程组2015年6月制定2020年12月修订2021年5月修订
表 1 自然语言处理技术课程考核与成绩评定 课程目标 毕业要求 考核与评价方式及成绩比例 成绩占比(约) 考勤与实验 课程报告 1 课程目标 1 20 40 60% 2 课程目标 2 10 30 40% 2.考核与评价标准 1）作业成绩考核与评价标准 表 2 自然语言处理技术课程考勤与实验考核与成绩评定 课程 目标 评价标准 优秀 良好 及格 不及格 目标 1 目标 2 按时参加课堂学习， 在规定的时间内完 成全部实验任务，报 告撰写优秀。 按时参加课堂学 习，能完成全部实 验任务，报告撰写 良好。 按时参加课堂学 习，能完成实验任 务，结果存在少量 问题，报告撰写基 本满足要求。 未按时参加课 堂学习，实验 任务完成情况 差，结果存在 较多问题，报 告撰写有问 题。 2）课程考核与成绩评定 根据期末考试的报告评分标准进行评定。 自然语言处理技术课程组 2015 年 6 月制定 2020 年 12 月修订 2021 年 5 月修订