2018年中国人民大学应用统计初试专业课真题及详细解答，文末附专业课复试笔试真题回忆版。

如有疑问或建议，可添加微信：zhanghua63170140

2018年中国人民大学应用统计专业硕士经验贴合集

这篇文章翻译自Bag of Tricks for Efficient Text Classification

本文探讨了一个简单而有效的文本分类baseline。我们的实验表明，快速文本分类器在精度上通常与深度学习分类器相当，并且在训练和评估方面的速度要快得多。我们可以在不到10分钟的时间内使用标准的多核CPU对超过10亿单词的快速文本进行训练，在不到一分钟的时间内对312000类的50万个句子进行分类。

这篇文章翻译自Recurrent Convolutional Neural Networks for Text Classification

文本分类是许多NLP应用的基础任务。传统的文本分类器通常依赖于许多人设计的特性，如字典、知识库和特殊的树内核。与传统的方法相比，我们引入了一个递归的卷积神经网络来进行文本分类，而没有人为设计的特征。在我们的模型中，我们应用了一个经常的结构，在学习单词表示法时尽可能地捕捉上下文信息，这可能大大减少了与传统的基于窗口的神经网络相比的噪音。我们还使用了一个自动判断哪些单词在文本分类中扮演关键角色，以在文本中捕获关键组件的方法。我们对四个常用的数据集进行实验。实验结果表明，该方法在多组数据集上优于最先进的方法。

一、认知偏误简介

认知偏误（Cognitive biases）是一种倾向，它认为在某些方面，认知会与理性标准（Standard of rationality）或者良好的判断相偏离，它经常应用于心理学（Psychology）和行为经济学（Behavioral economics）的研究中。

语义匹配是许多自然语言任务的核心[2, 28]。一个成功的匹配算法需要对语言对象的内部结构和它们之间的交互进行充分的建模。为了实现这一目标，通过调整类似于图像和语音的卷积策略，我们提出了卷积神经网络模型来匹配两个句子。所提出的模型不仅可以很好地表示句子的层次结构，而且还可以在不同的层次上捕捉到丰富的匹配模式。我们的模型是相当通用的，不需要预先的语言知识，因此可以应用于不同性质和不同语言的任务。对各种匹配任务的实证研究表明该模型对各种匹配任务的有效性及其对其他模型的优越性。

这篇文章翻译自A Convolutional Neural Network for Modelling Sentences

准确地表达句子的能力是语言理解的核心。我们描述了一个被称为动态卷积神经网络(DCNN)的卷积结构，我们采用的是句子的语义模型。该网络使用动态k-Max池，一个通过线性序列的全局池操作。该网络处理不同长度的输入句子，并在句子中归纳出一个特征图，可以明确地捕捉短和长期的关系。该网络不依赖于解析树，并且很容易适用于任何语言。我们在四个实验中对DCNN进行了测试:小尺度二进制和多类情绪预测，六道问题分类和远程监控的推特情绪预测。该网络在前三项任务中取得了出色的性能，并且在最后一项任务中，在最强大的Baseline上减少了25%的错误。

只有把哲学当作天下公器的时候，我们的哲学才有生命力，所以我理解的哲学是可以处理一切问题的，它不仅仅可以处理我们所面对的问题，也可以处理我们所没有面对到的问题。所以一定要把哲学看作是一个可以被适用在不同的对象上的一种工作方法，它是我们思考问题的一种方式，会带动我们去分析问题，甚至带动我们去想办法解决问题

维特根斯坦的思想不是逻辑的，是形而上学的。他通过对语言的了解是要说明,其实我们人类有很多东西是隐藏在语言背后没法说出来的，而这恰恰是一种推动我们用语言去表达的动力。但是对于罗素来说是很难理解的，因为罗素是一个经验主义者，他所有的观念都是建立在我们对经验的了解和认识之上，而维特根斯坦不是一个经验主义者，他是一个真正的理性主义者，他的观念具有很强的形而上学的根据，这是罗素很难理解的。

维特根斯坦的生活是非常简单的，没有特别高的要求，但他对于思想和哲学上的要求却非常高，他是一个完美的理想主义者。他追求的目标是，所有的东西一定要做到最好，这是一般人做不到的。