标签：NLP 模型 材料 笔记 学习 驱动 句子 向量

前几天断更了，现在根据阅读的材料进行一些补充。

 

模型驱动 + 数据驱动 = 自然语言表示学习

 

 

 

sentiment

classification

entity extraction

translation

topic modeling

 

深度学习 = 表示学习 + 浅层学习

分布式表示：压缩、低维、稠密向量

 

词、短语：组合语义模型

句子：序列模型、递归模型、卷积模型、自注意力模型

篇章：层次模型

 

Transformer：可能是目前为止最适合NLP的模型

 

 

 

 

ALBERT: A Lite BERT for Self-Supervised Learning of Language Representations (Lan et al., arXiv:1909.11942)
 更小的词向量维度(128)
 跨层参数共享(类似循环神经网络)
 将下句预测(NSP)改为句子顺序预测(SOP)

 

标签：NLP,模型,材料,笔记,学习,驱动,句子,向量
来源： https://www.cnblogs.com/charlesblc/p/15965256.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。