发布时间：
本篇文章和大家分享一下，onenote笔记保存为pdf格式的操作。
1、首先在onenote中打开笔记页面，点击右上角的三个点，如下图所示。
2、然后在打开的页面中，选择发送页面副本，如下图所示。
3、接着在打开的页面中，点击用另一个应用发送，如下图所示。
4、这里可看到文件为pdf文稿，选择存储到文件即可完成了。
方法如下：
1、点击打开电脑上的 OneNote 软件，点击右上角的 菜单图标。
2、在菜单图标列表中选择 打印 项。
3、进入打印设置页面，可以设置打印的方向，色彩以及要打印的页面，还可以点击 更多设置。
4、可以对页面布局，纸张大小以及色彩模式进行设置，主要还是纸张大小，一般选择 A4 ，设置好之后点击 确定 按钮。
5、回到页面，点击左下角的 打印 按钮。
6、弹出保存窗口，选择文件夹以及输入保存的名称，点击 保存 按钮。在电脑上打开上面的文件夹，找到文件，可以看到是 PDF格式的文件了。
模板是 Microsoft OfficeOneNote页面、 部分或笔记本，旨在已预先存在的结构、 样式和布局，且占位符的信息，而不是真正的内容。与模板创建的页面、 部分或笔记本框架的工作已经为你离开您添加图片、 笔记和您要包括的文本。使用模板，可通过创建一个从零开始创建您的笔记本可以节省您的时间框架。而不是从一个完全空白页开始你要做是填写模板中的占位符。下面， Office之家就来详细的为大家讲解使用OneNote2010创建模板的方法和创建模板的小技巧。 1、创建或打开要用作网页模板页。 2、在右边的窗格中单击向下的箭头旁边 新页 ，然后单击。 3、模板 单击，窗格 的底部 将当前页另存为模板 。 4、键入页的模板名称，然后单击 保存 。 每当您要将新页面添加到当前的 OneNote 分区基于您在右边的窗格中的已保存的页面模板时单击箭头旁边 新页 ，然后单击 我的模板 ，然后单击的名称 保存模板。 1、创建或打开要用作模板部分。 2、单击文件选项卡，然后单击另存为。 3、Under 保存当前 , click 节 . 4、Under 选择格式 , click OneNote 2010 节 （*.one) . 5、单击另存为。 6、选择一个名称和位置来保存您的部分模板，然后单击 保存 如果想要将一个新的节添加到笔记本基于已保存的部分模板之一，找到您的计算机上的模板，并双击它以在 OneNote 中打开它。单击并拖动到您的笔记本的一个屏幕的左上角从要基于部分模板在笔记本中添加新的部分屏幕左侧的部分中的标题选项卡。 注释 ： 如果愿意，您可以通过将部分中的模板文件的副本放在您的计算机上保存该笔记本文件夹中，对笔记本中还添加部分中。OneNote 笔记本保存在 C:\Users\ 默认状态下， < 用户名 \OneNote Notebooks\ 1、创建或打开要用作模板的笔记本。 2、单击文件选项卡，然后单击另存为。 3、Under 保存当前 , click 笔记本 . 4、Under 选择格式 , click OneNote 包 （*.onepkg） . 5、单击另存为。 6、选择一个名称和位置来保存您的部分模板，然后单击 保存 每当您想创建一个全新的笔记本，根据您的笔记本保存的模板，找到您的计算机上的模板，并双击它以在 OneNote 中打开它。键入您新的笔记本的名称，然后选择要保存它的位置 （OneNote 笔记本保存在 C:\Users\ 默认状态下， < 用户名 \OneNote Notebooks\ 和 lt; 笔记本名称和 gt; ），然后单击 创建。 OneNote2010创建模板的小技巧汇总 1、选择以使其易于区分每个节的清晰和明显的颜色。 2、如果您的模板用于在打印，请记住 （类似于基准线） 的页面颜色显示只在一台计算机上查看您的模板时并不打印该模板时。请确保您选择打印模板时将显示不带背景颜色的字体颜色。 3、如果您的模板用于在打印，确保页边距将至少 ，并且所有文本和对象都位于边距内。 4、请记住，使用图片，背景图像将会影响文件大小，并可能会导致文本放置在它被转换为图像发送页面时通过电子邮件的顶部。我们建议使用的图片的 JPEG 文件，并定位在顶部、 底部或后面的文本，而不是页的侧边的图片，除非对您的设计是至关重要的。 5、使用您的网页上插入行 （按 CTRL + SHIFT + R 以显示基准线） 来帮助对齐文字框，图片，和其他内容的规则。 7、如果您使用表、 图片，和类似的信息，请确保它们相对于其他，清楚地定位和其标题是清楚地分开时填充该模板将输入的文本。请记住他们填充的占位符内容而不是真正的内容时可能会展开的对象，如文本框。
Office有三宝，word, excel, power point少不了。 其实除了常用的上面三个软件，Microsoft还有专门用来做笔记的软件，就是OneNote。因为用的不多存在感不是很高，但是却是专门用来记笔记和管理笔记的。 下面就一起来看下怎么用One Note做出好看的笔记吧~ 笔记本的封面是不支持自定义的，但是可以有16种默认颜色可以选择。填入笔记本标题，选择存放位置就可以创建了。 进入笔记后有4栏视图，分别是笔记本、分区、页面和内容视图。 笔记本视图展示所有笔记本（类似于不同的书），分区是对笔记本不同区的分类（类似于图书目录里的章目，可以根据用途、功能对笔记本进行分区），页面是对分区的细化（类似于图书里的每一页或者每一小节），内容页则对应输入笔记内容。四级分类管理更加系统、逻辑。 选择分区名称右键即可对分区进行重命名，页面的标题可直接在内容视图的标题处修改 这样，我们就可以在这个背景上记日程笔记了。 在【绘图】菜单可以看到笔记支持“文本模式”和“手绘模式”，通过调节光标位置来输入文字或者直接用鼠标手绘，根据个人需求来进行选择。 按照之前的步骤做周计划 就是这样了 本套模板是由PPT比例按照4：3制作完成，套装包含1张封面+15张内页模板。对于iPad来说，配合pencil，完美适配各种笔记APP（Noteshelf、goodnotes、Notability等等，首推Noteshelf 1），对于电脑OneNote来说，也能较好适配，word也是如此（以插入图片作为背景的方式记录笔记，图片环绕方式设置为置于文字下方）。
设置和制作word模板操作方法：1.首先新建一个空白文档，并另存为“（Word2007及以后版本）（Word2003-2007版本）”，如图所示。2.进行需要的模板设置，对字体、段落、页眉页脚，页面边距等进行设置，具体操作如图。3.对字体、段落的设置：在空白的新文档中，右击进行对字体的设置，在设置完成后，点击“默认”按钮。4.对页眉页脚，页面边距：同样在菜单栏，选择插入"页眉页脚"进行设置，设置后点击“默认”按钮，并同时设置“页面边距”并点击“默认”按钮。5.在全面进行模板设置后，需要保存，在操作中会出现对一些“默认的设置”如果所示，要选择“是”，“你准备将默认的字体更改为.....，是否将此更改应用于所有基于NORMAL模板的新文档？”6.把刚才保存的模板，复制起来，在打开“C:\Users\Administrator\AppData\Roaming\Microsoft\Templates”替换原有的或。关闭。7.测试效果：打开一个Word文档，并按下“CTRL+N”新建一个空白文档，任意输入内容，可以看到是刚才设置的模板，如页面边距：版面上空，下空3cm，左空 cm，右空 cm；页面页脚为：页眉，页脚；段落为：标题段落38磅；正文段落磅；字距加宽磅。设置和制作onenote模板方法如下：1.利用模板库中丰富的图案帮助做页面的美化工作，然后在空白页面输入自己想要的模板内容即可。2.编辑好内容和格式后，我们同样也可以另存为自己的模板，点击右下角的“将当前页另存为模板”，并命名“模板名称”，勾选“设为当前分区中新页的默认模板”即可。以后写日计划时添加页面就是“职场小强的日计划”模板内容啦。同时，在模板库中也会新增“我的模板”这一项内容。
楼主最后怎么解决的？我也是这个问题
onenote桌面版是可以设置的，但是onenote的uwp也就是win10版本是没有的，毕竟这个是免费的。但是你如果有桌面版的onenote，你可以在桌面版上设置默认A4的模板，然后在uwp的onenote中使用。
先新建一个页面，打造成你想要的页面模板后，右键这个页面有个设置为新建模板选项，如图：
最简单的一种做读书笔记的方法是“摘抄法”。所谓摘抄就是读一本书、一篇文章，把其中的一些好的句子和段落摘下来，抄在本子上或卡片上。摘抄的内容要根据自己的需要来定第一阶段 感知（明确、分析、掌握、了解）议论文的小思路每个段落内部的小思路，是指：作者，通过（运用）普遍或特殊的论证方法（论法），从跟作者有关或无关的具体事件或抽象事理等若干论据，推论（分析、解决）出该论据所包含的义理之议论内容（论点）。就是说，分清（理清、判断）出：哪些语言片段属于论题（论据、对象、材料、作者所提出的引论之问题）部分，哪些语言片段属于分论点或总论点（内容、产品、作者所分析解决出的结论之内容答案）部分，哪些语言片段属于论题（能转变者）和论点（所转变者）之间的语义组合规律——论证方法（论法、思路、作者所运用的本论之方法）。论据部分（因支、议论对象），包括：具体的事件（物理现象、生理行为、心理活动）——事实论据——和抽象的事理（概念、语言、符号、定律、公式、性质、结构、类别、功能）——道理论据。论据的选择范围，要真实、可靠、典型，例如学科、国别（国与国之间的关系）、古今方面，例如：著名事例。注意，因为论据和论点，是相对而言的，所以，有些情况下，作者或其他人的论点，可以充当广义的作者的道理论据。就是说，论据，只能作为因，论点，有时作为果，有时作为因。论点部分（宗支、议论内容），往往是个表示肯定或否定的判断句之表述形式——明确的表态性的句子，论点，包括：中心论点（总论点）和分论点。中心论点，统摄（统帅、概括）全文里的若干分论点，就是说，分论点，服务于中心论点，因此，一篇文章里，有且只有一个中心论点，但是，可以有一个或很多个分论点。中心论点的分布位置，是：文章的标题本身；文章的开头（开篇），直接提出中心论点（开门见山、开宗明义），然后逐层论述；文章的中间，文章在论述过程中，提出中心论点，这种情况较少；文章的结尾处，归纳出中心论点（篇末点题、卒章显志）。
【阅读笔记一】 Lattice-Based Recurrent Neural Network, Encoders for Neural Machine Translation （ Jinsong Su et al. ） 摘要介绍： NMT神经机器翻译很大程度上依赖于词级建模来学习输入句子的语义表示。 对于处理没有自然语言分隔符的语言（比如中文），需要首先进行标记，这就产生了 两个问题：1）为源句子模型找到最优标记粒度的难度很大，粗粒度导致数据稀疏，细粒度导致有用信息丢失；2）难度大就容易造成错误，产生的错误会带到NMT的编码器中去，影响源句子的表示。 基于这两个问题，为了更好地进行源句建模，有必要向NMT提供多个标记化，而不是单一的标记化序列。 本文提出了一种 基于词格的递归神经网络 NMT编码器：1）以压缩编码多个标记字格作为输入；2）并在前面的时间步骤中学习从任意多个输入和隐藏状态生成新的隐藏状态。 字格是许多标记化的压缩表示，基于词格的编码器不仅减轻了最佳标记方式的标记错误( 1-best tokenization errors)的负面影响，而且更具有表达性和嵌入输入句子的灵活性。 NMT特点： 传统的统计机器翻译模拟管道(pipeline)中源语言和目标语言之间的潜在结构和对应关系， NMT则是训练了一个统一的编码-解码神经网络，其中编码器将输入的句子映射成固定长度的向量，解码器从编码的向量生成翻译。基于词格的递归神经网络 NMT ： 本文调查和比较了两个基于词格的RNN编码器： 1).浅度词格GRU编码器：基于来自多个采用标准GRU体系结构的标记的输入和隐藏状态的组合； 2).深度词格GRU编码器：它学习并更新门、输入和隐藏状态的特定标记向量（tokenization-specific vector），然后为当前单元生成隐藏状态向量。 在这两种编码器中，可以同时利用许多不同的标记来进行输入句子建模。结论： 与标准的RNN编码器相比，本文的编码器同时利用输入和前面的隐藏状态，依赖于 多个标记 来为源语句建模。因此，它们不仅减少了1-best tokenization errors的传播，而且比标准编码器更具表现力和灵活性。 汉英互译的实验结果表明，本文的编码器在各种基线上都有显著的改进。 展望： 本文的网络结构依赖于源句的词格。 扩展模型，将分割模型合并到源句表示学习中 。通过这种方式，符号化和翻译可以相互协作。此外， 更好的组合策略来改进编码器 。验证实验： 为了验证所提出的编码器的有效性，我们对汉英翻译任务进行了实验。 实验结果表明: (1)利用词界信息学习准确嵌入输入的汉语句子是十分必要的; (2)基于词格的RNN编码器在NMT方面优于标准RNN编码器。据我们所知，这是第一次尝试在词格上构建NMT。实验部分： 1.数据集 对NIST汉英翻译任务中提出的编码器进行了评估： 训练数据集：LDC2002E18、LDC2003E07、LDC2003E14、LDC2004T07、LDC2004T08和LDC2005T06中提取的125万对句子，其中中文单词2790万，英文单词3450万。 验证数据集：NIST 2005数据集 测试数据集：NIST 2002、2003、2004、2006和2008数据集。 使用斯坦福大学发布的toolkit2在CTB、PKU和MSR语料库上训练分词器以获得汉语句子格。 为了有效的训练神经网络，我们使用了中、英文最常用的50K单词作为我们的词汇。CTB、北大、MSR、lattice语料库中的汉语词汇占、、、，英语词汇占。2.实验结果： 字符覆盖比率： 翻译质量： 使用1-best分词的NMT解码实验： 模型： Word Lattice Lattice模型完全独立于分词，但由于可以在上下文中自由选择词汇来消除歧义，因此在使用单词信息时更加有效。 两种基于词格的RNN 编码器 【阅读笔记二】 基于 BLSTM 的命名实体识别方法（ fenget al. ） 摘要介绍： 对于（1）监督学习语料不足；（2）RNN 无法很好地处理长距离依赖问题, 并且训练算法存在梯度消失或爆炸问题 基于三点考虑：（1）文本是否被识别为命名实体与其上下文有关, 也与 构成命名实体的每个字及字序 有关；（2）考虑标注序列中标签间的相关性, 对本文提出的模型的代价函数进行约束, 在小的训练数据上尽可能挖掘有价值的信息 , 以提高命名实体识别的效果；（3）传统识别方法中的人工特征和领域知识对命名实体的识别效果的提升有重要影响, 但设计人工特征和获取领域知识的代价昂贵。 因此，本文提出了一种利用神经网络模型解决命名实体识别问题的有效方法, 该方法不直接依赖人工特征和外部资源, 只是利用了少量的监督数据、 领域知识和大量的无标注数据, 解决了目前的机器学习方法中过度依赖人工特征和领域知识及语料不足的问题。本文提出的命名实体识别方法中融入了词语的上下文信息、 词语的前后缀信息和领域词典, 将这种信息特征化为词的分布表示特征; 考虑了词语的标签之间的约束关系, 进一步提高了识别的效果。 展望： 本文只是顺序地读取数据对命名实体进行识别, 每个词语对命名实体的影响同等重要, 并没有考虑不同的词语对命名实体的不同影响,如何将深度学习的 注意力机制 引入本文的模型中、 重点关注对命名实体识别有重要影响的词语, 是进一步需要解决的问题。 实验部分： 数据集： DataSet1（大规模无标注语料）、DataSet2（标注语料）、DataSet3（命名实体识别标注语料） DataSet4（本文将DataSet2 和DataSet3 中的标签进行 删除, 并 拆分 为 字符序列数据, 得到的数据集） DataSet5（选择搜狗输入法词库中的部分数据[, 包括常见的中国人名、中国地名、 国家机关组织机构名, 拆分为 字符序列数据） 样本分类：TP FP TN FN 评价指标：精确率(Precision,P)、召回率 (Recall, R) 、F 测度值 (F-score,F) 、敏感度 (Sensitivity, Sent) 、特异性 (Specificity,Spec) 、1-特异性(1GSpec) 、 准确率(Accuracy,Acc) 实验结果： 实验影响因素： 地名和机构名这两类命名实体的长度通常较人名长, 而且构成复杂,由基于上下文的词向量和BLSTM_Ec 模型训练得到的词向量对识别效果有积极的影响。 人名词语长度较短、人名的姓氏和名字没有较强的约束关系、人名词典中的人名与待识别的文本中的人名实体没有很强的相关性, 因此前后缀信息、标签约束信息和领域知识对人名这类实体有一定的影响, 但影响不大。 模型： 其中，Ec为字符级向量；Ew为基于上下文词语的词向量。 【阅读笔记一】 An Empirical Study of Automatic Chinese Word Segmentation for Spoken Language Understanding and Named Entity Recognition （ Luo et al. ） 背景： 在英语文本中，句子是用空格分隔的单词序列。中文句子则是没有自然分隔符的字符串（其他类似语言：阿拉伯语、日语），汉语处理任务的第一步是识别句子中的单词序列，在合适的位置作边界标记。在中文文本中分词可以一定程度消歧义。分词通常被认为是许多中文自然语言处理任务的第一步，但它对这些后续任务的影响相对研究较少。 摘要介绍： 目前主要存在问题是1）在对新数据应用现有的分词器时的不匹配问题；2）一个更好的分词器是否能产生更好的后续NLP任务性能。 对于以上问题，本文提出三种方法： 1 ）在后续的任务中使用分词输出作为额外的特征，这比使用分词单元更能抵抗错误传播。 2 ）使用从后续任务训练数据中获得的部分标记数据对现有的分词器进行改进，进一步提高了端到端的性能。 3 ）利用了分词输出的 n-best 表，使得后续的任务对分词错误不那么敏感。 中文分词的任务主要是：1）识别句子中的单词序列。2）在合适的位置标记边界。 总结： 本文提出三种方法：利用分词输出作为附加特征；进行局部学习自适应；利用n-best表。 另外还研究了CWS在三种不同情况下的影响: 1）当域数据没有单词边界信息时，由公共域外数据构建的单词分段器能够提高端到端性能，将其与从人类注释派生的部分标记数据进行调整可以进一步提高性能。2）将n-best词分段边缘化会带来进一步的改进，当领域分词可用时，使用领域数据本身训练的词分段者有更好的CWS性能，但不一定有更好的端到端任务性能。一个在训练和测试数据上表现更 平衡 的词段器可以获得更好的端到端性能。3）在手工分割测试数据时，分词确实对任务有很大帮助，分词可以减少后续NLP任务的模糊性。 未来可能方向：顺序堆叠两层CRF，一层用于分词，一层用于后续任务。除了序列标记问题，探讨更多后续任务。 实验（ NER 部分）： 对于使用的NER数据，域训练和测试数据都有词界信息。这里讨论用域内数据训练的分词器和公开可用数据之间的区别(第二种情况)。分词性能与端到端后续任务之间的关系。 实验数据：使用第三个SIGHAN中文处理Bakeoff的基准NER数据(SIGHAN-3) (Levow, 2006)。训练集数据：46364句，测试集数据：4365句。这些数据都被标注了单词边界和NER信息。 实验结果：
读书笔记的格式模板
当品味完一本著作后，想必你一定有很多值得分享的心得，这时就有必须要写一篇读书笔记了！想必许多人都在为如何写好读书笔记而烦恼吧，以下是我为大家整理的读书笔记的格式模板，仅供参考，欢迎大家阅读。
最简单的一种做读书笔记的方法是“摘抄法”。
所谓摘抄就是读一本书、一篇文章，把其中的一些好的句子和段落摘下来，抄在本子上或卡片上。
摘抄的内容要根据自己的`需要来定。可以抄录领袖导师的教导，思想家、文学家、科学家的至理名言，人民群众、英雄人物的豪言壮语和格言谚语，还可以摘抄下你感兴趣的词段。
例如：在科学上没有平坦的大道，只有不畏劳苦沿着陡峭山路攀登的人，才有希望达到光辉的顶点。——马克思
读书笔记的主要内容：
摘抄精美语句，语段，词语。
写读后感或读书心得，内容鉴赏，探讨主题，评论人物，评品语言。
读书笔记一般分为：摘录、提纲、批注、心得几种，格式及写法并不艰深，心得笔记中的读后感有点麻烦，但只要懂得论点、论据和论证这三要素的关系，就会轻松拿下，因为读后感不过就是一种议论文而已。很多应用文种只有在将来的工作实践中才能具体应用，而读书笔记属日用文类，应即学即用。
常用的形式有：
提纲式——以记住书的主要内容为目的。通过编写内容提纲，明确主要和次要的内容。
摘录式——主要是为了积累词汇、句子。可以摘录优美的词语，精彩的句子、段落、供日后熟读、背诵和运用。
仿写式——为了能做到学以致用，可模仿所摘录的精彩句子，段落进行仿写，达到学会运用。
评论式——主要是对读物中的人物、事件加以评论，以肯定其思想艺术价值如何。可分为书名、主要内容、评论意见。
心得式——为了记下自己感受最深的内容，记下读了什么书，书中哪些内容自己教育最深，联系实际写出自己的感受。即随感。
存疑式——主要是记录读书中遇到的疑难问题，边读边记，以后再分别进行询问请教，达到弄懂的目的。
简缩式——为了记住故事梗概、读了一篇较长文章后，可抓住主要内容，把它缩写成短文。
读书笔记的形式多种多样。主要形式有：
笔记本
成册笔记本可用来抄原文、写提纲、记心得、写综述。长处是便于保存，缺点是不便分类，但可按类单独成册。
活页本
活页本可用来记各种各样笔记。便于分类，节约纸张也便于日后查阅。
卡片
便于分类，可按目排列，便于灵活调动又节省纸张，但篇幅小，内容不宜长。
剪报
把报纸和有用资料剪下来，长文章可贴在笔记本或活页本上，短小材料可贴在卡片上。剪报材料可加评注，也可分类张贴，要注明出处，以便使用。
全文复印
重要读书材料，为保持完整性，可全文复印编目分类留用。
记忆
如果能用大脑记下来的话就能更好地在生活中运用笔记中的知识，何乐而不为呢？
书签式
平时读书时遇到需要背诵的内容，可记在书签上，夹在书里、放在口袋里或插在专放书签的袋子里，一有空就读一读背一背，记得牢为止，再把它存放起来。可以帮助记忆。
图像式
阅读完之后，可以将书中的主要内容和重点整理成概念图或思维导图，这样相对对传统的文字式读书笔记，更加方便快捷。
【阅读笔记一】 Lattice-Based Recurrent Neural Network, Encoders for Neural Machine Translation （ Jinsong Su et al. ） 摘要介绍： NMT神经机器翻译很大程度上依赖于词级建模来学习输入句子的语义表示。 对于处理没有自然语言分隔符的语言（比如中文），需要首先进行标记，这就产生了 两个问题：1）为源句子模型找到最优标记粒度的难度很大，粗粒度导致数据稀疏，细粒度导致有用信息丢失；2）难度大就容易造成错误，产生的错误会带到NMT的编码器中去，影响源句子的表示。 基于这两个问题，为了更好地进行源句建模，有必要向NMT提供多个标记化，而不是单一的标记化序列。 本文提出了一种 基于词格的递归神经网络 NMT编码器：1）以压缩编码多个标记字格作为输入；2）并在前面的时间步骤中学习从任意多个输入和隐藏状态生成新的隐藏状态。 字格是许多标记化的压缩表示，基于词格的编码器不仅减轻了最佳标记方式的标记错误( 1-best tokenization errors)的负面影响，而且更具有表达性和嵌入输入句子的灵活性。 NMT特点： 传统的统计机器翻译模拟管道(pipeline)中源语言和目标语言之间的潜在结构和对应关系， NMT则是训练了一个统一的编码-解码神经网络，其中编码器将输入的句子映射成固定长度的向量，解码器从编码的向量生成翻译。基于词格的递归神经网络 NMT ： 本文调查和比较了两个基于词格的RNN编码器： 1).浅度词格GRU编码器：基于来自多个采用标准GRU体系结构的标记的输入和隐藏状态的组合； 2).深度词格GRU编码器：它学习并更新门、输入和隐藏状态的特定标记向量（tokenization-specific vector），然后为当前单元生成隐藏状态向量。 在这两种编码器中，可以同时利用许多不同的标记来进行输入句子建模。结论： 与标准的RNN编码器相比，本文的编码器同时利用输入和前面的隐藏状态，依赖于 多个标记 来为源语句建模。因此，它们不仅减少了1-best tokenization errors的传播，而且比标准编码器更具表现力和灵活性。 汉英互译的实验结果表明，本文的编码器在各种基线上都有显著的改进。 展望： 本文的网络结构依赖于源句的词格。 扩展模型，将分割模型合并到源句表示学习中 。通过这种方式，符号化和翻译可以相互协作。此外， 更好的组合策略来改进编码器 。验证实验： 为了验证所提出的编码器的有效性，我们对汉英翻译任务进行了实验。 实验结果表明: (1)利用词界信息学习准确嵌入输入的汉语句子是十分必要的; (2)基于词格的RNN编码器在NMT方面优于标准RNN编码器。据我们所知，这是第一次尝试在词格上构建NMT。实验部分： 1.数据集 对NIST汉英翻译任务中提出的编码器进行了评估： 训练数据集：LDC2002E18、LDC2003E07、LDC2003E14、LDC2004T07、LDC2004T08和LDC2005T06中提取的125万对句子，其中中文单词2790万，英文单词3450万。 验证数据集：NIST 2005数据集 测试数据集：NIST 2002、2003、2004、2006和2008数据集。 使用斯坦福大学发布的toolkit2在CTB、PKU和MSR语料库上训练分词器以获得汉语句子格。 为了有效的训练神经网络，我们使用了中、英文最常用的50K单词作为我们的词汇。CTB、北大、MSR、lattice语料库中的汉语词汇占、、、，英语词汇占。2.实验结果： 字符覆盖比率： 翻译质量： 使用1-best分词的NMT解码实验： 模型： Word Lattice Lattice模型完全独立于分词，但由于可以在上下文中自由选择词汇来消除歧义，因此在使用单词信息时更加有效。 两种基于词格的RNN 编码器 【阅读笔记二】 基于 BLSTM 的命名实体识别方法（ fenget al. ） 摘要介绍： 对于（1）监督学习语料不足；（2）RNN 无法很好地处理长距离依赖问题, 并且训练算法存在梯度消失或爆炸问题 基于三点考虑：（1）文本是否被识别为命名实体与其上下文有关, 也与 构成命名实体的每个字及字序 有关；（2）考虑标注序列中标签间的相关性, 对本文提出的模型的代价函数进行约束, 在小的训练数据上尽可能挖掘有价值的信息 , 以提高命名实体识别的效果；（3）传统识别方法中的人工特征和领域知识对命名实体的识别效果的提升有重要影响, 但设计人工特征和获取领域知识的代价昂贵。 因此，本文提出了一种利用神经网络模型解决命名实体识别问题的有效方法, 该方法不直接依赖人工特征和外部资源, 只是利用了少量的监督数据、 领域知识和大量的无标注数据, 解决了目前的机器学习方法中过度依赖人工特征和领域知识及语料不足的问题。本文提出的命名实体识别方法中融入了词语的上下文信息、 词语的前后缀信息和领域词典, 将这种信息特征化为词的分布表示特征; 考虑了词语的标签之间的约束关系, 进一步提高了识别的效果。 展望： 本文只是顺序地读取数据对命名实体进行识别, 每个词语对命名实体的影响同等重要, 并没有考虑不同的词语对命名实体的不同影响,如何将深度学习的 注意力机制 引入本文的模型中、 重点关注对命名实体识别有重要影响的词语, 是进一步需要解决的问题。 实验部分： 数据集： DataSet1（大规模无标注语料）、DataSet2（标注语料）、DataSet3（命名实体识别标注语料） DataSet4（本文将DataSet2 和DataSet3 中的标签进行 删除, 并 拆分 为 字符序列数据, 得到的数据集） DataSet5（选择搜狗输入法词库中的部分数据[, 包括常见的中国人名、中国地名、 国家机关组织机构名, 拆分为 字符序列数据） 样本分类：TP FP TN FN 评价指标：精确率(Precision,P)、召回率 (Recall, R) 、F 测度值 (F-score,F) 、敏感度 (Sensitivity, Sent) 、特异性 (Specificity,Spec) 、1-特异性(1GSpec) 、 准确率(Accuracy,Acc) 实验结果： 实验影响因素： 地名和机构名这两类命名实体的长度通常较人名长, 而且构成复杂,由基于上下文的词向量和BLSTM_Ec 模型训练得到的词向量对识别效果有积极的影响。 人名词语长度较短、人名的姓氏和名字没有较强的约束关系、人名词典中的人名与待识别的文本中的人名实体没有很强的相关性, 因此前后缀信息、标签约束信息和领域知识对人名这类实体有一定的影响, 但影响不大。 模型： 其中，Ec为字符级向量；Ew为基于上下文词语的词向量。 【阅读笔记一】 An Empirical Study of Automatic Chinese Word Segmentation for Spoken Language Understanding and Named Entity Recognition （ Luo et al. ） 背景： 在英语文本中，句子是用空格分隔的单词序列。中文句子则是没有自然分隔符的字符串（其他类似语言：阿拉伯语、日语），汉语处理任务的第一步是识别句子中的单词序列，在合适的位置作边界标记。在中文文本中分词可以一定程度消歧义。分词通常被认为是许多中文自然语言处理任务的第一步，但它对这些后续任务的影响相对研究较少。 摘要介绍： 目前主要存在问题是1）在对新数据应用现有的分词器时的不匹配问题；2）一个更好的分词器是否能产生更好的后续NLP任务性能。 对于以上问题，本文提出三种方法： 1 ）在后续的任务中使用分词输出作为额外的特征，这比使用分词单元更能抵抗错误传播。 2 ）使用从后续任务训练数据中获得的部分标记数据对现有的分词器进行改进，进一步提高了端到端的性能。 3 ）利用了分词输出的 n-best 表，使得后续的任务对分词错误不那么敏感。 中文分词的任务主要是：1）识别句子中的单词序列。2）在合适的位置标记边界。 总结： 本文提出三种方法：利用分词输出作为附加特征；进行局部学习自适应；利用n-best表。 另外还研究了CWS在三种不同情况下的影响: 1）当域数据没有单词边界信息时，由公共域外数据构建的单词分段器能够提高端到端性能，将其与从人类注释派生的部分标记数据进行调整可以进一步提高性能。2）将n-best词分段边缘化会带来进一步的改进，当领域分词可用时，使用领域数据本身训练的词分段者有更好的CWS性能，但不一定有更好的端到端任务性能。一个在训练和测试数据上表现更 平衡 的词段器可以获得更好的端到端性能。3）在手工分割测试数据时，分词确实对任务有很大帮助，分词可以减少后续NLP任务的模糊性。 未来可能方向：顺序堆叠两层CRF，一层用于分词，一层用于后续任务。除了序列标记问题，探讨更多后续任务。 实验（ NER 部分）： 对于使用的NER数据，域训练和测试数据都有词界信息。这里讨论用域内数据训练的分词器和公开可用数据之间的区别(第二种情况)。分词性能与端到端后续任务之间的关系。 实验数据：使用第三个SIGHAN中文处理Bakeoff的基准NER数据(SIGHAN-3) (Levow, 2006)。训练集数据：46364句，测试集数据：4365句。这些数据都被标注了单词边界和NER信息。 实验结果：
论文的读书笔记
导语：读了一些优秀论文，大家有怎样的收获呢？以下是我整理的论文的读书笔记，供各位阅读和参考。
在《论儿童教育》中，蒙田详尽地从各个角度联系自己的亲身经历，说明了儿童教育的重要性。他的父亲便是他笔下那位因材施教，引导孩子读书的好老师，父亲对他独特的教育方式，便是中国正在大力提倡的素质教育。
我反复读了几遍，他先进的思想，独特的见解，让我禁不住肃然起敬。其中有三点给我留下了深刻的印象。
一是从小便给孩子提供学习外语的环境。蒙田回忆说：“父亲给我找了一个不懂法语，稍通拉丁语的德国人……父亲本人，以及我的母亲，仆人和侍女，陪我玩耍时，尽量用他们现学的拉丁语同我说话。”现在许多家长将孩子送往国外，也许他们的初衷并非如此，但结果却往往是造就了一个“中西结合”的人，这就是语言环境下的产物吧。而一些小学中，在提供了小班化教育的基础上，还聘请了外籍教师，在愉快自然的气氛下教学，孩子们一定会有不少收获。
二是当儿童在汲取知识的同时，他们过多的依赖父母，可这是最要不得的。学校培养的是能文能武，全面发展的人。蒙田说：“让他生活在野外，担惊受怕。”听起来，似乎有些不近人情，但也只是有惊无险，看看他本人能潇洒的活着，便不用担心了。
第三点，即今天社会普遍呼吁的“反对体罚”，显然这是针对教书育人的人。一想到教师队伍中的部分人对学生大呼小叫，拳脚相加，在这么稚嫩的身子上进行摧残，不觉得有愧吗？难怪蒙田认为“学校象座监狱”，看来没有耸人听闻，可那是几百年前的法国呀，中国的教育水平难道还只停留在那个阶段吗？当然不是了，现在的老师都能做到把学生当做自己的孩子一样爱护和关心，老师不再仅仅是教书育人，更要对学生美好灵魂进行塑造。作为班主任我已充分体会到只有真正从内心对每个学生充满爱，才能给予他们最好的'教育和影响。
从蒙田的思想我大受启发，只要有适当的教育方法和独特的教育技巧，要对学生进行成功的素质教育并不是纸上谈兵的事，完全是可能做到的，那就让我在实践中去试一试吧
说来惭愧，早就听说过于永正老师的大名，可是直到最近才有幸拜读了他的书籍——《于永正：我怎样教语文》。“行文简浅显，做事诚平恒”，这句话形容于老的书和人简直再恰当不过了。
《于永正：我怎样教语文》这本书每一篇章都触动了我的心灵，让我印象深刻，并在一定程度上对我的语文教学起到了启发指导的作用。在这里，我想着重谈谈其中《语文教育，应该为学生留下什么》这一篇章。
语文教师只有彻底明白语文教育应该为学生留下什么，才会真正把握语文教学的精髓。那么，语文教育，应该为学生留下什么？于老师结合自己受教育的经历告诉我们，语文教学教的不是课文而是语文！用教材教识字、教写字、教读书（包括朗读）、教表达，激发兴趣，培养习惯，所以，教学时，繁琐的分析和讲解没有必要，要把3500（识字量）和2500（会写）保住，把读和写抓住，一句话：要把语文的根本留住。于老师教语文，第一，十分重视朗读。第二，十分重视写字。第三，特别喜欢教作文。另外，于老师特别指出，在完成教学任务的同时，要善待学生，要给学生留下自由成长的时间和空间。是啊，在教学的时候，我更多的是希望学生朝着自己既定的目标发展，希望他们会写多少字，会背多少课文，能考多少分，然而，这些并不是成长的真正意义。
写到这，我突然想到，我能不能转变下教学方式，试着逐个击破，具体地说，就是教授生字词时，把每一单元的生字词集中在一块教学；教授朗读时，把每一单元的课文集中到一起讲解朗读方法。在接下来的教学中，我会以这种方式教授其中一单元。
不断学习，不断思考，不断尝试，希望有一天我真的会教语文了。
最简单的一种做读书笔记的方法是“摘抄法”。所谓摘抄就是读一本书、一篇文章，把其中的一些好的句子和段落摘下来，抄在本子上或卡片上。摘抄的内容要根据自己的需要来定第一阶段 感知（明确、分析、掌握、了解）议论文的小思路每个段落内部的小思路，是指：作者，通过（运用）普遍或特殊的论证方法（论法），从跟作者有关或无关的具体事件或抽象事理等若干论据，推论（分析、解决）出该论据所包含的义理之议论内容（论点）。就是说，分清（理清、判断）出：哪些语言片段属于论题（论据、对象、材料、作者所提出的引论之问题）部分，哪些语言片段属于分论点或总论点（内容、产品、作者所分析解决出的结论之内容答案）部分，哪些语言片段属于论题（能转变者）和论点（所转变者）之间的语义组合规律——论证方法（论法、思路、作者所运用的本论之方法）。论据部分（因支、议论对象），包括：具体的事件（物理现象、生理行为、心理活动）——事实论据——和抽象的事理（概念、语言、符号、定律、公式、性质、结构、类别、功能）——道理论据。论据的选择范围，要真实、可靠、典型，例如学科、国别（国与国之间的关系）、古今方面，例如：著名事例。注意，因为论据和论点，是相对而言的，所以，有些情况下，作者或其他人的论点，可以充当广义的作者的道理论据。就是说，论据，只能作为因，论点，有时作为果，有时作为因。论点部分（宗支、议论内容），往往是个表示肯定或否定的判断句之表述形式——明确的表态性的句子，论点，包括：中心论点（总论点）和分论点。中心论点，统摄（统帅、概括）全文里的若干分论点，就是说，分论点，服务于中心论点，因此，一篇文章里，有且只有一个中心论点，但是，可以有一个或很多个分论点。中心论点的分布位置，是：文章的标题本身；文章的开头（开篇），直接提出中心论点（开门见山、开宗明义），然后逐层论述；文章的中间，文章在论述过程中，提出中心论点，这种情况较少；文章的结尾处，归纳出中心论点（篇末点题、卒章显志）。