机器学习模型：BiLSTM
BiLSTM (Bidirectional Long Short-Term Memory) 是一种深度学习模型，它将 LSTM 模型的双向思想和长短时记忆网络的思想结合起来。
它使用了两个独立的 LSTM 网络，分别对序列的正向和反向进行处理。这样可以让模型在处理序列时同时考虑上下文的正向和反向信息，提高了模型的泛化能力。
在自然语言处理领域中，BiLSTM 常用于词性标注、命名实体识别、文本分类、序列标注等任务。由于它能够考虑上下文信息，因此在处理自然语言中的不确定性和模糊性方面表现较好。
智能标题生成在58招聘业务中的探索
文本生成是自然语言处理（NLP）领域中非常重要且具有一定挑战性的分支。本文以实际业务中标题生成的需求为背景，结合主流的文本生成方法进行实践，并对当前的方法进行改进，有效提升了用户体验与招聘双方的连接效率，实现了为招聘业务赋能。
AI落地场景探索：医学报告单结构化
在好大夫在线每天的线上问诊中，包含了大量的各种医院报告单、化验单等图片，如何识别并格式化这些报告单数据，成了我们面临的一大难题。
帮帮商家版黄页微聊代运营中的商机槽位识别实践
帮帮商家版黄页代运营中的商机识别原理实践
闲鱼是怎么让二手属性抽取准确率达到95%+的？
让算法“读”懂二手商品。
互联网广告黑产盛行，如何反作弊？
广告点击反作弊实践。
为客服构建更加智能的对话机器人：多轮应答时机触发模型
本文是对滴滴智能客服团队的论文《Towards Building an Intelligent Chatbot for Customer Service: Learning to Respond at the Appropriate Time》的详细解读，在这篇论文中，滴滴提出一种应用于智能对话系统的多轮应答时机触发模型（Multi-turn Response Triggering Model，MRTM）。不同于传统人-机对话的turn-by-turn交互模式，MRTM能够使机器人具备在恰当时刻进行回复的能力，并使其在其他时刻保持倾听，结合客户的多个问题进行回复，从而提升人机对话的流畅度并提升机器人的回复质量。
医疗健康领域的短文本解析探索（三) ----文本纠错
今有一花厂小码农，正值壮年，浸淫nlp数载，得大佬一任务，委以纠错之重任！定当不负众望，鞠躬尽瘁。而后废寝忘食，挑灯夜读，钻研二十余日...卒!
揭秘！文字识别在高德地图数据生产中的演进
如何让文字识别全、准、快？
万字长文读懂微信“看一看”内容理解与推荐
技术为眸，看懂内容的“花花世界”
qa_match：一款基于深度学习的层级问答匹配工具
融合领域识别与意图识别，对问答意图进行精确理解
数据质量良莠不齐？携程是这样来做多场景下的内容智能发现的
如何实现优质内容的发现、抽取和生成？
亿级日搜索量的美团如何构建高效的搜索系统？
众所周知，美团为用户提供了全方位的生活服务，包括外卖、出行、甚至是零售和生鲜等方面。 面对纷繁复杂的服务与选项，用户怎样才能快速地找到自己想要的结果呢？这就需要美团平台的搜索服务来帮忙。
从知乎[悟空]看一个成熟的Anti-Spam系统演进之路
作弊是互联网应用最常碰见的问题之一。有作弊就有反作弊，如果高效的对作弊内容进行识别，识别后又该如何处理作弊内容，每家公司都有自己的独门绝技。本文作者对知乎反作弊系统的演进进行了介绍，深入剖析了该系统的架构设计和演进历程，十分耐读。