掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
自然語言表示學習――文本語義向量化表示研究與應用 版權信息
- ISBN：9787121437861
- 條形碼：9787121437861 ; 978-7-121-43786-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
自然語言表示學習――文本語義向量化表示研究與應用 本書特色
在人工智能領域中，文本語義表示學習是實現機器理解自然語言的**步，本書介紹了文本語義向量化表示在自然語言處理領域的實際應用。
自然語言表示學習――文本語義向量化表示研究與應用 內容簡介
文本語義向量化表示是指將自然語言編碼為計算機可處理的、蘊含語義特征的向量的過程。在人工智能領域中，語義表示學習是實現機器理解自然語言的**步，是機器處理文本數據和完成各種自然語言處理任務的基礎，其性能的優劣直接影響下游任務的效果。因此，語義表示學習具有重要的研究意義和實用價值。本文梳理了文本語義向量化表示的基礎理論，詳細介紹了分布式表示方式、融合知識表示方法、任務導向的表示方法和預訓練語言模型等典型方法，并以機器閱讀理解任務為例，介紹了文本語義向量化表示在自然語言處理領域的實際應用。*后本文對文本語言向量化表示進行了總結和未來研究方向展望。
自然語言表示學習――文本語義向量化表示研究與應用 目錄
第1章 緒論 1
1．1 研究背景及意義 1
1．2 基本定義及問題描述 3
第2章 語義表示學習的基礎信息 6
2．1 發展歷史 6
2．2 實際應用 8
第3章 分布表示方法 12
3．1 概述 12
3．2 基于矩陣分解的方法 15
3．3 基于神經網絡的方法 19
3．4 方法總結與對比 26
第4章 預訓練語言模型 27
4．1 ELMo模型 27
4．2 GPT模型 28
4．3 BERT模型 29
4．4 RoBERTa模型 31
4．5 XLNet模型 32
4．6 方法總結與對比 33
第5章 增強關聯模式的語義表示方法 35
5．1 引言 35
5．2 相關工作 37
5．3 預備知識 39
5．3．1 基于上下文信息的語義表示模型 39
5．3．2 關聯模式挖掘 40
5．4 增強關聯模式的語義表示模型 41
5．4．1 基于CBOW的APWE模型 42
5．4．2 基于Skip-gram的APWE模型 43
5．5 實驗 44
5．5．1 對比方法 45
5．5．2 實驗I：文本分類 45
5．5．3 實驗II：查詢詞擴展 48
5．5．4 參數分析 51
5．5．5 實例分析 52
5．6 本章小結 53
第6章 基于知識的語義向量化表示 55
6．1 引言 55
6．2 相關工作 57
6．2．1 知識庫表示 57
6．2．2 知識與文本聯合表示 59
6．3 基于語義結構的語義表示模型 60
6．3．1 語義結構定義 60
6．3．2 SENSE模型 61
6．4 實驗 63
6．4．1 對比方法 64
6．4．2 參數設置 65
6．4．3 任務I：詞相似度測量 66
6．4．4 任務II：詞匯類比推理 67
6．4．5 任務III：文本分類 69
6．4．6 任務IV：查詢詞擴展 71
6．5 本章小結 73
第7章 文本分類中任務導向的語義表示方法 74
7．1 引言 74
7．2 相關工作 76
7．3 任務導向的語義表示模型 78
7．3．1 語義特征表示 78
7．3．2 任務特征表示 78
7．3．3 聯合表示模型及優化 80
7．4 實驗 80
7．4．1 數據集 80
7．4．2 對比方法 82
7．4．3 實驗參數設置 82
7．4．4 整體評測效果 84
7．5 實例分析 87
7．6 本章小結 89
第8章 文本語義向量化表示在機器閱讀理解任務中的應用 90
8．1 引言 90
8．2 機器閱讀理解 93
8．3 機器閱讀理解基礎方法 95
8．4 多粒度語義匹配的MGRC模型 96
8．4．1 多粒度語義表示 96
8．4．2 多粒度語義匹配 99
8．4．3 聯合模型及其優化 103
8．5 實驗 103
8．5．1 數據集 104
8．5．2 評測指標及對比方法 105
8．5．3 整體性能評測 106
8．5．4 參數分析 109
8．5．5 模塊有效性驗證 109
8．5．6 實例分析 113
8．6 本章小結 115
第9章 總結與展望 116
9．1 本書總結 116
9．2 未來研究方向展望 117
參考文獻 119
1．1 研究背景及意義 1
1．2 基本定義及問題描述 3
第2章 語義表示學習的基礎信息 6
2．1 發展歷史 6
2．2 實際應用 8
第3章 分布表示方法 12
3．1 概述 12
3．2 基于矩陣分解的方法 15
3．3 基于神經網絡的方法 19
3．4 方法總結與對比 26
第4章 預訓練語言模型 27
4．1 ELMo模型 27
4．2 GPT模型 28
4．3 BERT模型 29
4．4 RoBERTa模型 31
4．5 XLNet模型 32
4．6 方法總結與對比 33
第5章 增強關聯模式的語義表示方法 35
5．1 引言 35
5．2 相關工作 37
5．3 預備知識 39
5．3．1 基于上下文信息的語義表示模型 39
5．3．2 關聯模式挖掘 40
5．4 增強關聯模式的語義表示模型 41
5．4．1 基于CBOW的APWE模型 42
5．4．2 基于Skip-gram的APWE模型 43
5．5 實驗 44
5．5．1 對比方法 45
5．5．2 實驗I：文本分類 45
5．5．3 實驗II：查詢詞擴展 48
5．5．4 參數分析 51
5．5．5 實例分析 52
5．6 本章小結 53
第6章 基于知識的語義向量化表示 55
6．1 引言 55
6．2 相關工作 57
6．2．1 知識庫表示 57
6．2．2 知識與文本聯合表示 59
6．3 基于語義結構的語義表示模型 60
6．3．1 語義結構定義 60
6．3．2 SENSE模型 61
6．4 實驗 63
6．4．1 對比方法 64
6．4．2 參數設置 65
6．4．3 任務I：詞相似度測量 66
6．4．4 任務II：詞匯類比推理 67
6．4．5 任務III：文本分類 69
6．4．6 任務IV：查詢詞擴展 71
6．5 本章小結 73
第7章 文本分類中任務導向的語義表示方法 74
7．1 引言 74
7．2 相關工作 76
7．3 任務導向的語義表示模型 78
7．3．1 語義特征表示 78
7．3．2 任務特征表示 78
7．3．3 聯合表示模型及優化 80
7．4 實驗 80
7．4．1 數據集 80
7．4．2 對比方法 82
7．4．3 實驗參數設置 82
7．4．4 整體評測效果 84
7．5 實例分析 87
7．6 本章小結 89
第8章 文本語義向量化表示在機器閱讀理解任務中的應用 90
8．1 引言 90
8．2 機器閱讀理解 93
8．3 機器閱讀理解基礎方法 95
8．4 多粒度語義匹配的MGRC模型 96
8．4．1 多粒度語義表示 96
8．4．2 多粒度語義匹配 99
8．4．3 聯合模型及其優化 103
8．5 實驗 103
8．5．1 數據集 104
8．5．2 評測指標及對比方法 105
8．5．3 整體性能評測 106
8．5．4 參數分析 109
8．5．5 模塊有效性驗證 109
8．5．6 實例分析 113
8．6 本章小結 115
第9章 總結與展望 116
9．1 本書總結 116
9．2 未來研究方向展望 117
參考文獻 119
展開全部
自然語言表示學習――文本語義向量化表示研究與應用 作者簡介
黃河燕，1963年10月生，籍貫湖南。1986年1月加入中國共產黨，1989年3月參加工作。1983年畢業于武漢測繪科技大學計算機系獲學士學位，1986年畢業于國防科技大學計算機系獲碩士學位，1989年畢業于中國科學院計算技術研究所獲博士學位，后留所工作，先后任助理研究員、副研究員、研究員；1997年至2009年在中科院計算機語言信息工程研究中心任副主任、研究員并先后兼任中科院華建集團黨委委員、副書記，2009年至今任北京理工大學計算機學院院長、教授，兼北京市海量語言信息處理與云計算應用工程技術研究中心主任及中-德語言信息處理聯合實驗室主任；現為國家"863計劃”主題專家組成員、中國人工智能學會及中國中文信息學會副理事長、教育部計算機教學指導委員會委員、北京市學位委員會委員。主持承擔了國家自科基金重點項目、"973計劃”課題、"863計劃”項目等20多項***科研攻關項目，獲得了國家科技進步一等獎等8項***和省部級獎勵，1997年享受國務院政府特殊津貼，2014年當選全國優秀科技工作者。
書友推薦
- >
我與地壇
- >
史學評論
- >
月亮與六便士
- >
詩經-先民的歌唱
- >
煙與鏡
- >
名家帶你讀魯迅:故事新編
- >
伯納黛特,你要去哪(2021新版)
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
