2020-10-19 21:24:47

docs/nlp/1.入门介绍.md

@@ -89,13 +89,13 @@
 
 例如: 
 
-![](http://data.apachecn.org/img/AiLearning/nlp/1.自然语言处理入门介绍/篇章分析.jpg)
+![](img/1.自然语言处理入门介绍/篇章分析.jpg)
 
 ### 案例7(机器翻译)
 
 **机器翻译技术(Machine Translating)**: 基于互联网大数据，融合深度神经网络、统计、规则多种翻译方法，帮助用户跨越语言鸿沟，与世界自由沟通
 
-![](http://data.apachecn.org/img/AiLearning/nlp/1.自然语言处理入门介绍/机器翻译.png)
+![](img/1.自然语言处理入门介绍/机器翻译.png)
 
 ---
 

docs/nlp/3.1.篇章分析-内容概述.md

@@ -27,4 +27,4 @@
 
 ## 篇章分析任务
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.1.篇章分析-内容标签/篇章分析任务.jpg)
+![](img/3.1.篇章分析-内容标签/篇章分析任务.jpg)

docs/nlp/3.2.篇章分析-内容标签.md

@@ -30,7 +30,7 @@
 
 ## 百度内容标签
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/百度内容标签.jpg)
+![](img/3.2.篇章分析-内容标签/百度内容标签.jpg)
 
 ## 标签体系: 面向推荐的标签图谱
 
@@ -39,14 +39,14 @@
 * 包括3种节点: 主题标签-绿色，话题标签-紫色，实体标签-蓝色。
 * 有了关联关系，我们可以进行一定程度的探索和泛化。（例如: 无人驾驶和人工智能关联很强，如果有人看了无人驾驶，我们就给他推荐人工智能）
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/面向推荐的标签图谱.jpg)
+![](img/3.2.篇章分析-内容标签/面向推荐的标签图谱.jpg)
 
 ## 标签体系: 基于大数据分析的图谱构建
 
 * 用户信息来源: 贴吧、微博
 * 标签的相关性分析: 通过关联规则，发现2个标签总同时出现，我们觉得这是高相关的。
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/基于大数据分析的图谱构建.jpg)
+![](img/3.2.篇章分析-内容标签/基于大数据分析的图谱构建.jpg)
 
 ## 标签计算
 
@@ -59,7 +59,7 @@
     * 第二层 表示层: 通过一些 embedding的算法、CNN、LSTM的方法
     * 第三层 排序层: 计算文章与主题之间的相似度，具体会计算每个主题与文章的相似度，并将相似度作为最终的一个主题分类的结果。这种计算的好处能够天然的支持多标记，也就是一篇文章可以同时计算出多个主题标签。
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/主题分类.jpg)
+![](img/3.2.篇章分析-内容标签/主题分类.jpg)
 
 > 通用标签
 
@@ -72,11 +72,11 @@
     * 比如: 这个标签在文章中出现的频率 或 出现的位置；如果出现在标题，那么它可能就会比较重要。
 * 通过融合这2种策略，形成我们通用标签的结果。
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/通用标签.jpg)
+![](img/3.2.篇章分析-内容标签/通用标签.jpg)
 
 ## 内容标签在Feed流中的应用
 
 1. 标签可以用来话题聚合: 比如表示人工智能的标签全部都会集合到同一个话题下面。这样用户可以对人工智能这个话题进行非常充分的浏览。
 2. 话题频道划分: 比如我们在手机百度上面就可以看到，Feed流上面有多个栏目，用户可以点击 `体育` `时尚`等频道
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.2.篇章分析-内容标签/内容标签在Feed流中的应用.jpg)
+![](img/3.2.篇章分析-内容标签/内容标签在Feed流中的应用.jpg)

docs/nlp/3.3.篇章分析-情感分析.md

@@ -12,14 +12,14 @@
 
 * 对（文本的）观点、情感、情绪和评论进行分析计算
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/情感分类和观点挖掘.jpg)
+![](img/3.3.篇章分析-情感分类/情感分类和观点挖掘.jpg)
 
 > 情感分类
 
 * 给定一个文本判断其情感的极性，包括积极、中性、消极。
 * LSTM 对文本进行语义表示，进而基于语义表示进行情感分类。
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/情感分类.jpg)
+![](img/3.3.篇章分析-情感分类/情感分类.jpg)
 
 > 观点挖掘
 
@@ -28,18 +28,18 @@
     * 观点抽取一种简单的做法是直接通过标签匹配的方式得到，比如: 服务不错这个情感搭配，恰好在文本中出现，我们就可以把它抽取出来。
     * 但是这种简单的抽取方法，其实上只能从字面上抽取情感搭配，而无法解决字面不一致的，但是意思一样的情感搭配抽取，因此我们还引入了语义相似度的方法。这种方法主要是通过神经网络进行计算的。它能解决这种字面不一致，语义一样的抽取问题。
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/观点挖掘.jpg)
+![](img/3.3.篇章分析-情感分类/观点挖掘.jpg)
 
 > 观点摘要
 
 综合了情感分类和观点挖掘的一些技术，而获得的一个整体的应用技术
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/观点摘要.jpg)
+![](img/3.3.篇章分析-情感分类/观点摘要.jpg)
 
 ## 百度应用: 评论观点
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/百度应用评论观点.jpg)
+![](img/3.3.篇章分析-情感分类/百度应用评论观点.jpg)
 
 ## 百度应用: 推荐理由
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.3.篇章分析-情感分类/百度应用推荐理由.jpg)
+![](img/3.3.篇章分析-情感分类/百度应用推荐理由.jpg)

docs/nlp/3.4.篇章分析-自动摘要.md

@@ -2,7 +2,7 @@
 
 ## 信息爆炸与移动化
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/信息爆炸与移动化.jpg)
+![](img/3.4.篇章分析-自动摘要/信息爆炸与移动化.jpg)
 
 ## 自动摘要应用
 
@@ -21,42 +21,42 @@
 * 以简洁、直观的摘要来概括用户所关注的主要内容
 * 方便用户快速了解与浏览海量内容
 
-![](http://data.apachecn.org/img/AiLearning/nlp//3.4.篇章分析-自动摘要/摘要系统.jpg)
+![](img//3.4.篇章分析-自动摘要/摘要系统.jpg)
 
 * 自动摘要分类
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/自动摘要分类.jpg)
+![](img/3.4.篇章分析-自动摘要/自动摘要分类.jpg)
 
 * 典型摘要计算流程
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/典型摘要计算流程.jpg)
+![](img/3.4.篇章分析-自动摘要/典型摘要计算流程.jpg)
 
 > 基于篇章信息的通用新闻摘要
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/基于篇章信息的通用新闻摘要.jpg)
+![](img/3.4.篇章分析-自动摘要/基于篇章信息的通用新闻摘要.jpg)
 
 > 篇章主题摘要
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/篇章主题摘要.jpg)
+![](img/3.4.篇章分析-自动摘要/篇章主题摘要.jpg)
 
 > 问答摘要
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/问答摘要.jpg)
+![](img/3.4.篇章分析-自动摘要/问答摘要.jpg)
 
 ## 百度应用
 
 > 文本和语言摘要
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/百度应用文本和语言摘要.jpg)
+![](img/3.4.篇章分析-自动摘要/百度应用文本和语言摘要.jpg)
 
 > 问答摘要
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/百度应用问答摘要.jpg)
+![](img/3.4.篇章分析-自动摘要/百度应用问答摘要.jpg)
 
 > 搜索播报摘要和图像摘要
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/百度应用搜索播报摘要和图像摘要.jpg)
+![](img/3.4.篇章分析-自动摘要/百度应用搜索播报摘要和图像摘要.jpg)
 
 ## 总结
 
-![](http://data.apachecn.org/img/AiLearning/nlp/3.4.篇章分析-自动摘要/总结.jpg)
+![](img/3.4.篇章分析-自动摘要/总结.jpg)