关于HanLP 2.0的几个问题

何博士，你好：

1. 请问设为词性标签这种方式有没有一个简单的格式例子，有点疑惑，范例中这种 {‘自定义’: ‘NZ’} 是不是也可以算作为 词性标签，模型中与自定义词典 中 相同的词语 有没有 匹配优先级 这样的说法呢 ？
2. 另外我在使用中发现hanlp2.0中分词的时候，有一段代码中是去判断Char 是否属于 B or S 并截断词语，这里面出现一个问题：前置标注的Tags中，有时会把 如 H= 中 = 标识为 非B/S 的 E 情况，不知道这是不是一个Bug.
   截图如下：
   
   在该词前面5个数组下标中 = 属于正常的S tag，但在此处属于E tag，所以返回的word 有点不正确，请问这种情况应该怎么去修复
   3.还想请问一下，hanlp2.0是否有出深度学习相关的书，想购买 您书写的 自然语言处理 那本书,又有些不明白里面是不是只有针对于1.0的版本的内容，2.0的内容是否会重新出一本书

这段代码其实很直白，最长匹配trie树词典中的词语，以此切断文本为片段，片段交给统计模型。那么，词典自然优先级最高。

BMES是常用的分词标签，代码没有问题。

《自然语言处理入门》的出版早于2.0的发布，但这本书并不是针对1.0写的，也不是针对HanLP写的。像你提到的自定义词典匹配优先级、BMES标签之类，都是中文自然语言处理通用的基本技术，并不限于HanLP一家。你可以在很多NLP书籍、论文和开源项目中找到相同的概念，《自然语言处理入门》只不过将这些零散的知识点组织成一本书，而HanLP恰好是这些概念的正确实现。有人借此指责《自然语言处理入门》的通用性局限于HanLP，未免夏虫不可语冰，眼界太狭窄了。

关于深度学习，它是机器学习的子集，而且是一个理论比较简陋、实践比较繁杂的子集。初学者花大量时间在复杂的实践（GPU、TF/PyTorch、调参）上，最终却只学会了一点皮毛的非凸优化理论，沦为一个调包调参侠，最终随着深度学习的泡沫而烟消云散，可以说是入门下策中的下策。

深度学习的确是短期的未来方向，但长期来看深度学习会越来越中心化，集中越来越多的算力和数据，脱离业余爱好者和中小企业的能力范畴。关于深度学习的写作，的确可以有，但各方面的时机都还不成熟：

博士的书写的很好，很认真，这样写书真是一种公益活动。
有没有关于2.1和之前版本的功能差异的说明。看了书之后，很多功能不知道在2.1中有没有实现。没有的话，是否应该之前版本和2.1一起用？
另外2.1的帮助文件看起来不够清晰明了。

谢谢读者赞同。

这周末可以写一个，放到一个显眼的位置。简单来说，一些功能（简繁拼音之类）不需要机器模型，用1.x的Java实现又快又省还可以高并发，就不必在2.x里用缓慢的Python重写一遍了。

的确收到过这样的反馈，你有什么好的建议吗？GitHub首页是不是用1.x的组织方式比较好？