上节课给大家介绍了TF-IDF的计算公式，这节课方便大家理解，先用面向过程的方式，来实现这个算法。但是项目需求里面，还有动态装载语料库、维护停用词这样一些要求，后面还是需要封装成类。

TF-IDF是一种统计方法，用以评估某个词对于语料库中某一份文档的重要程度。某个词的重要性随着它在文档中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

从本节课开始，我们将给大家介绍一个，文本处理的基础但是很有用的算法：TF-IDF算法。TF-IDF算法，全称：词频-逆文档频率（term frequency–inverse document frequency），本质是一种统计方法，并不属于深度学习的范畴。

上一节课，我们重新整理了样本文件，接下来就可以定义Dataset类，来加载数据了。为了让模型也可以适用于，一个句子有多个实体的情况，我们把样本中相邻两个句子合并，用最小的代价，模拟出多个实体的场景。

上节课给大家详细介绍了模型结构，这节课，我们就开始做数据预处理了。数据预处理阶段，我们需要完成两个任务，一个是将样本文件处理成一句一行的形式，方便读取，另一个是，剔除异常数据。

上节课当中，给大家介绍了任务目标，并且演示了项目的最终效果。因为这个模型是一个联合任务，相对复杂，我们还是花一节课时间，给大家详细介绍一下模型结构。另外，论文中模型的配图，不是很好理解，我给大家重新画了一个精简版本，帮助大家更好的理解代码流程。

从这节课开始，我们将一起来学习一个新的项目，叫做属性级情感分析。属性级情感分析（Aspect-based Sentiment Analysis, ABSA）是一类细粒度情感分析任务，常用于评论分析中，帮助商家深入理解用户偏好。

从6月初开始，我就在着手录制一个系列的NLP项目课程，到今天已经全部录完了。下面，我就从4个方面，给大家做一个简短的汇报。

上节课当中，给大家介绍了这个项目需要用到的数据集，并且做了简单的数据预处理，缓存好了关系分类文件。接下来，我们可以定义Dataset类，来加载数据了。这节课，先完成文件加载和分词这两块内容。

前面介绍完 CasRel模型结构，接下来我们看一下数据集，然后做一个简单的预处理。因为是用 Bert 做分词，就省去了自己建词表的过程，只需要把关系解析出来，供后续流程使用，就可以了。

上节课，给大家整体介绍了项目要做的事情，就是从一段文本当中，找到主体、客体、和关系的三元组组合，因为 CasRel 这个模型，设计思路不是很常规，示意图的细节也容易混淆，所以我们单独用一节课时间，来拆解一下这个模型。

关系抽取，是信息检索、智能问答、智能对话等人工智能应用的重要基础，一直受到业界的广泛关注。目前NLP领域的主流研究方向，也在向知识图谱偏移。因为多音字、多义词，加上语境变化，单个字或者词的表征一定是片面的，发现实体之间的联系，往往比自身特征更重要。

上节课，我们做了一个简单的数据预处理，通过观察直方图，定义好了文本的长度参数。现在，假设大家已经看了、并且掌握了前面 Huggingface 的内容，我们接着往下讲自定义 Dataset 和 Bert 分词的内容。

上节课，给大家介绍了 TextCNN 的模型结构，这节课就正式进入代码部分。本节课有两个任务，一是导入数据集，二是要统计待分类的文本长度，因为 TextCNN 在卷积之后，要做批量最大池化操作，所以要求文本长度一致，不够的填充PAD，太长的要进行截取。

从本节课开始，我将带大家来完成一个《Bert+TextCNN新闻文本分类项目》。文本分类是自然语言处理最基础，也是最重要的任务之一，非常适合作为NLP入门的第一个项目。

给你一个长度为 n 的整数数组 nums 和 一个目标值 target。请你从 nums 中选出三个整数，使它们的和与 target 最接近。返回这三个数的和。假定每组输入只存在恰好一个解。

给你一个包含 n 个整数的数组 nums，判断 nums 中是否存在三个元素 a，b，c ，使得 a + b + c = 0 ？请你找出所有和为 0 且不重复的三元组。注意：答案中不可以包含重复的三元组。

罗马数字包含以下七种字符： I， V， X， L，C，D 和 M。给你一个整数，将其转为罗马数字。

给定一个长度为 n 的整数数组 height 。有 n 条垂线，第 i 条线的两个端点是 (i, 0) 和 (i, height[i]) 。找出其中的两条线，使得它们与 x 轴共同构成的容器可以容纳最多的水。

请你来实现一个 myAtoi(string s) 函数，使其能将字符串转换成一个 32 位有符号整数（类似 C/C++ 中的 atoi 函数）。