建議1：如何在NLP領域快速學會第一個技能？

我的建議是：找到一個開源專案，比如機器翻譯或者深度學習的專案。理解開源專案的任務，編譯透過該專案釋出的示範程式，得到與專案示範程式一致的結果。然後再深入理解開源專案示範程式的演算法。自己程式設計實現一下這個示範程式的演算法。再按照專案提供的標準測試集測試自己實現的程式。如果輸出的結果與專案中出現的結果不一致，就要仔細查驗自己的程式，反覆修改，直到結果與示範程式基本一致。如果還是不行，就大膽給專案的作者寫信請教。在此基礎上，再看看自己能否進一步完善演算法或者實現，取得比示範程式更好的結果。

建議2：如何選擇第一個好題目？

工程型研究生，選題很多都是老師給定的。需要採取比較實用的方法，紮紮實實地動手實現。可能不需要多少理論創新，但是需要較強的實現能力和綜合創新能力。而學術型研究生需要取得一流的研究成果，因此選題需要有一定的創新。我這裡給出如下的幾點建議。

先找到自己喜歡的研究領域。你找到一本最近的ACL會議論文集, 從中找到一個你比較喜歡的領域。在選題的時候，多注意選擇藍海的領域。這是因為藍海的領域，相對比較新，容易出成果。

充分調研這個領域目前的發展狀況。包括如下幾個方面的調研：方法方面，是否有一套比較清晰的數學體系和機器學習體系；資料方面，有沒有一個大家公認的標準訓練集和測試集；研究團隊，是否有著名團隊和人士參加。如果以上幾個方面的調研結論不是太清晰，作為初學者可能不要輕易進入。

在確認進入一個領域之後，按照建議一所述，需要找到本領域的開源專案或者工具，仔細研究一遍現有的主要流派和方法，先入門。

反覆閱讀本領域最新發表的文章，多閱讀本領域牛人發表的文章。在深入瞭解已有工作的基礎上，探討還有沒有一些地方可以推翻、改進、綜合、遷移。注意做實驗的時候，不要貪多，每次實驗只需要驗證一個想法。每次實驗之後，必須要進行分析存在的錯誤，找出原因。

對成功的實驗，進一步探討如何改進演算法。注意實驗資料必須是業界公認的資料。

與已有的演算法進行比較，體會能夠得出比較一般性的結論。如果有，則去寫一篇文章，否則，應該換一個新的選題。

建議3：如何寫出第一篇論文？

接上一個問題，如果想法不錯，且被實驗所證明，就可開始寫第一篇論文了。

確定論文的題目。在定題目的時候，一般不要“…系統”、“…研究與實踐”，要避免太長的題目，因為不好體現要點。題目要具體，有深度，突出演算法。

寫論文摘要。要突出本文針對什麼重要問題，提出了什麼方法，跟已有工作相比，具有什麼優勢。實驗結果表明，達到了什麼水準，解決了什麼問題。

寫引言。首先講出本項工作的背景，這個問題的定義，它具有什麼重要性。然後介紹對這個問題，現有的方法是什麼，有什麼優點。但是（注意但是）現有的方法仍然有很多缺陷或者挑戰。比如（注意比如），有什麼問題。本文針對這個問題，受什麼方法（誰的工作）之啟發，提出了什麼新的方法並做了如下幾個方面的研究。然後對每個方面分門別類加以敘述，最後說明實驗的結論。再說本文有幾條貢獻，一般寫三條足矣。然後說說文章的章節組織，以及本文的重點。有的時候東西太多，篇幅有限，只能介紹最重要的部分，不需要面面俱到。

相關工作。對相關工作做一個梳理，按照流派劃分，對主要的最多三個流派做一個簡單介紹。介紹其原理，然後說明其侷限性。

然後可設立兩個章節介紹自己的工作。第一個章節是演算法描述。包括問題定義，數學符號，演算法描述。文章的主要公式基本都在這裡。有時候要給出簡明的推導過程。如果借鑑了別人的理論和演算法，要給出清晰的引文資訊。在此基礎上，由於一般是基於機器學習或者深度學習的方法，要介紹你的模型訓練方法和解碼方法。第二章就是實驗環節。一般要給出實驗的目的，要檢驗什麼，實驗的方法，資料從哪裡來，多大規模。最好資料是用公開評測資料，便於別人重複你的工作。然後對每個實驗給出所需的技術引數，並報告實驗結果。同時為了與已有工作比較，需要引用已有工作的結果，必要的時候需要重現重要的工作並報告結果。用實驗資料說話，說明你比人家的方法要好。要對實驗結果好好分析你的工作與別人的工作的不同及各自利弊，並說明其原因。對於目前尚不太好的地方，要分析問題之所在，並將其列為未來的工作。

結論。對本文的貢獻再一次總結。既要從理論、方法上加以總結和提煉，也要說明在實驗上的貢獻和結論。所做的結論，要讓讀者感到信服，同時指出未來的研究方向。

參考文獻。給出所有重要相關工作的論文。記住，漏掉了一篇重要的參考文獻（或者牛人的工作），基本上就沒有被錄取的希望了。

寫完第一稿，然後就是再改三遍。

把文章交給同一個專案組的人士，請他們從演算法新穎度、創新性和實驗規模和結論方面，以挑剔的眼光，稽核你的文章。自己針對薄弱環節，進一步改進，重點加強演算法深度和工作創新性。

然後請不同專案組的人士審閱。如果他們看不明白，說明文章的可讀性不夠。你需要修改篇章結構、進行文字潤色，增加文章可讀性。

如投ACL等國際會議，最好再請英文專業或者母語人士提煉文字。

首先，專案導向，透過做一個專案積累相關經驗！舉個例子，針對文字分類專案，首先做資料預處理，然後分詞，然後用bow或者word2vec抽取特徵，然後用相關模型暈分類或者聚類！如果深入下去，相關的主題模型之類也可以套！在專案深入過程中，會遇到各種問題，遇到問題後，再去解決問題，很快就會入門！然後多讀頂會論文，瞭解最新動向，像ACL，emnlp這些都可以深入去讀！還有一些經典的模型也要去調研！隨著時間積累，一定會更好

非科班出身，自學擼出中文分詞庫HanLP，在GitHub標星1.5萬，成為最受歡迎的自然語言處理專案。他將學習經驗總結成書《自然語言處理入門》，幫助小白快速入門NLP。

針對題主的提問，HanLP自然語言處理類庫的開發者何晗的經驗很值得借鑑。

截至 2019 年 11月初，HanLP專案在 GitHub Star 數達到了 15.6 K，超過了賓夕法尼亞大學的 NLTK、斯坦福大學的 CoreNLP。

貼上GitHub地址：https://github.com/hankcs/HanLP

何晗在開發這款 NLP 工具包時，還是上海外國語大學一名日語專業的大二學生，HanLP專案脫胎他大學時接的一份兼職，何晗也因緣從一個非科班專業的小白逐步成長為NLP領域的專家。如今，正在攻讀CS博士的他（研究方向：句法分析、語義分析與問答系統），結合自己的學習歷程和HanLP的開發經驗創作出版了《自然語言處理入門》一書，得到了周明、劉群、王斌等業內頂級 NLP 專家的推薦。

一、初學者，請避開自學NLP的常見誤區有的初學者排斥基礎理論——認為學校教的都是沒用的，公司裡都用不到；有的初學者對基礎理論敬而遠之——認為理論太高深了，自己基礎不好，學了也白學；有的初學者，特別是已經工作的程式設計師，基本方向正確但學習路徑錯誤，比較容易走極端：在工作很忙的情況下，只是抱著經典書籍苦啃，直到筋疲力盡專案也毫無進展，從而喪失了學習NLP的興趣；或者，俗稱調庫小能手，跟風潮流，缺少理論基礎，缺乏獨立思考能力（比如，認為深度學習最牛，其他的基礎理論都是垃圾；認為CNN/RNN/BERT會調參就行了）。

而實際上，自然語言處理是計算機科學、人工智慧和語言學學科的交集，這三方面的學科知識都是需要儲備的，基礎理論的學習必不可少。但很多初學者都是在工作之後才入坑NLP，既難以靜下心來啃書啃課，又缺少很好的老師傳授知識經驗。所以，有效可行的入門方式就是從工程切入，遵循這樣的邏輯：延遲載入，只在使用的時候才去載入必要的資料：

你首先看到的是一個摸得著的實際問題，為了解決該問題才去接觸一個具體的方案；為了理解這個方案，才會引入必要的背景知識；為了實現這個方案，才會引入相關細節；為了克服這個方案的問題，才會過渡到新的方案。二、想快速入門NLP，邊學邊做療效好

何晗入門NLP，讀過的經典書有：《統計自然語言處理》（宗成慶 著）（對應語言學知識）、《統計學習方法》（李航 著）（對應人工智慧知識），《挑戰程式設計競賽》（秋葉拓哉、鹽田陽一、北川宜稔 著）（對應計算機演算法知識）。

不過，在看經典書籍的過程中，他發現，學習自然語言處理並不需要完全把這幾本書看透，最好是可以邊看書邊做專案。這些書都是非常牛的好書，然而可惜的是，看完書中的章節，不知該如何應用其中的知識點，即使實現了文章中提到的模型，也很難直接將其運用於工程專案。

想必很多初學者都面臨類似的學習困惑。為了解決這個問題，何晗動手寫了《自然語言處理入門》，目的就是希望學習者看完一章後，便可以將知識點直接用於專案，適合NLP初學者入門並快速佈置到生產環境中。成效快，痛苦小，疑問少。

何晗在《自然語言處理入門》一書中，以自己的HanLP開源專案為案例，程式碼對照公式講解每一個演算法每一個模型，讓入門者帶著工程思維理解NLP的知識要點，試圖在目前市面上艱深晦澀的教科書和簡單的入門書之間作出平衡。

《自然語言處理入門》帶領學習者從基本概念入手。逐步介紹中文分詞、詞性標註、命名實體識別、資訊抽取、文字聚類、文字分類、句法分析這幾個熱門問題的演算法原理和工程實現。透過對多種演算法的講解和實現，比較各自的優缺點和適用場景。這些實現並非教學專用，而是生產級別的成熟程式碼，可以直接用於實際專案。

在理解這些熱門問題的演算法後，這本書會引導學習者根據自己的專案需求拓展新功能，最終達到理論和實踐上的同步入門。

何晗認為，NLP的學習路徑，應該尊重一般人的認知規律，而不是學術上的綱目順序，以此為宗旨來編排圖書的內容。因此，面向普通程式設計師，這本書內容分為以下三大部分：

第一部分介紹一些字串演算法，讓普通程式設計師從演算法的角度思考中文資訊處理。

第二部分由易到難地講解一些常用的機器學習模型，讓演算法工程師晉級為機器學習工程師。由中文分詞貫穿始終，構成一種探索式的遞進學習。這些模型也並非侷限於中文分詞，會在第三部分應用到更多的自然語言處理問題上去。

第三部分新增了許多與文字處理緊密相關的演算法，讓機器學習工程師進化到自然語言處理工程師。特別地，最後一章介紹了當前流行的深度學習方法，起到擴充套件視野、承上啟下的作用。學習者可根據自身情況，靈活跳過部分章節。

何晗在自學過程中走過不少彎路，深知數學語言的艱深晦澀，並且痛恨羅列公式故作高深的文章，所以他在書中只保留了必不可少的公式和推導，並且公式與程式碼相互印證。配套程式碼由Java和Python雙語言寫成，與GitHub上最新程式碼同步更新，所以你只要具備基本的程式設計經驗，就可以跟隨書本零起點入門。

此外，何晗還總結出一份最為詳盡的NLP+ML“雙生樹”思維導圖，導圖中的關聯知識點不僅涵蓋NLP領域的核心知識，甚至涉及許多前沿研究和應用，印刷尺寸寬60cm，高74cm，隨書附贈供學習者參考。

三、進階NLP的學習資料和工具推薦推薦讀這些經典書籍：多讀論文，推薦用Google Scholar和Papers檢索：克服語言障礙，推薦用歐路詞典：追蹤前沿動態，推薦NLP-progress，在各項NLP任務上的排行榜

網址：https://nlpprogress.com/

一箇中肯的建議：NLP沒有通用的解法，演算法不夠，語料來補演算法不是萬能的。(想想：一兩個百分點對實際業務有多少幫助，又增加了多少成本？）不要完全相信論文。（a. 不要相信不公開原始碼的論文; b. 不要相信公開原始碼但資料預處理作假的論文; c. 即使能跑出作者宣稱的分數，請考慮：模型是否能泛化到你的行業領域? 又增加了多少成本?）語料極其重要。(a. 語料幾乎可以把準確率提升到你期望的任何水準，只要數量質量足夠; b. 目前通用語料幾乎都是新聞，誰能標註出行業語料，誰就是大王; c. 深度學習時代，無標註的純文字語料也大有用場; d. 軟體工程2.0：用資料程式設計。）