模块一：课程概述与环境准备

1.课程内容与学习路径介绍

2.开发环境配置与核心工具链解析

  （1）Anaconda/Python 环境搭建：构建可复现的NLP实验环境

  （2）核心库功能剖析与应用场景说明：paddlepaddle：飞桨深度学习框架，适用于序列建模与大规模预训练；pkuseg：高精度分词工具，支持细分领域自适应；jieba：轻量级分词库，兼顾效率与自定义能力；scikit-learn：传统机器学习文本分类与特征提取； transformers：构建和微调预训练语言模型。

模块二：文本预处理方法介绍

1.分词算法原理与实践对比

（1）基于规则与统计的分词方法：Jieba 自定义词典与词性标注机制剖析

（2）深度学习分词模型：pkuseg 的多领域适应性与模型选择策略

2.文本向量化与表示建模

（1）基于词频与权重的向量化方法：

CountVectorizer 的词袋模型实现

TfidfVectorizer 权重优化与平滑技术

3.词嵌入与分布式表示

（1）Word2Vec 算法深入：Skip-gram 与 CBOW 的对比与优化

（2）Doc2vec句向量模型介绍及学术应用

（3）预训练词向量加载与应用：语义推理与词空间可视化

（4）实战案例：词向量可视化与语义类比任务

4. 实战练习：多工具分词效果对比分析

（1）对新闻文本进行分词处理：选取多样化新闻文本数据，运用多种分词工具开展处理实践，熟悉不同工具在通用文本场景的表现。

（2）对比不同工具在文本上的表现：根据分词效果评估不同分词工具在实际任务中的表现。

模块三：文本分类任务——NLP与大模型

1.RandomForest分类模型介绍

2.roberta大模型分类任务简介

3.实战案例：新闻文本分类任务，机器学习模型与大模型效果对比

模块四：文本聚类和主题建模——NLP与大模型

1.传统主题建模工具介绍--LDA模型简介

2.text2vec-large-chinese大模型简介

3.DTM动态主题模型及文本挖掘中应用流程

4.基于BERTopic的文本主题建模

5.实战案例：股吧舆情文本聚类，传统模型与大模型效果对比

模块五：文本情感分析——NLP与大模型

1.情感分析相关技术介绍（词典法、机器学习法、深度学习法）

2.hugging-face Transformers 库快速入门

3.实战案例：使用预训练模型（RoBERTa）实现股吧舆情文本情感分析

模块六、大语言模型与文本结构化信息提取

1.通义qwen3模型的部署与调用

2.实战案例：上市公司年报MD&A信息提取

模块七：论文核心技术复现实战

1.基于上市公司年报构建企业文化指标

（1）主要技术：综合应用K-Means、词向量、相似度计算、TF-IDF加权词频统计

（2）复刻参考文献：华秀萍,程思睿,李婉宁,等.非正式融资中的文化力量——企业文化对商业信用的影响[J].金融研究,2023,(10):186-206.

2.股票市场投资者情绪测算

（1）主要技术：使用 Python 的jieba（中文分词）、scikit-learn（文本向量化）、chinese-electra（情感分类）等，通过挖掘投资者评论文本中的情感倾向，构建 “投资者情绪指数”。

（2）方法复刻参考文献：任晓松,孙莎,马茜,等.新能源汽车推广政策、融资约束与绿色技术创新[J].管理评论,2024,36(01):131-148.

3.大语言模型衡量企业数字技术风险暴露

（1）主要技术：word2vec拓展关键词；大模型标注训练集；bert模型训练与保存 

（2）方法复刻参考文献：陆瑶,施函青,周欣怡.中国企业数字技术风险暴露对企业价值的影响——来自大语言模型的文本分析证据[J].经济研究,2025,60(02):73-89.

课程价格

拼团购买：（9.29前支付）899元；