自然語言表示學習――文本語義向量化表示研究與應(yīng)用

定　價：￥69.00

作　者：	黃河燕
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121437861	出版時間：	2022-09-01	包裝：
開本：	16開	頁數(shù)：	148	字數(shù)：

內(nèi)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(lǐng)域中，語義表示學習是實現(xiàn)機器理解自然語言的第一步，是機器處理文本數(shù)據(jù)和完成各種自然語言處理任務(wù)的基礎(chǔ)，其性能的優(yōu)劣直接影響下游任務(wù)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(chǔ)理論，詳細介紹了分布式表示方式、融合知識表示方法、任務(wù)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(wù)為例，介紹了文本語義向量化表示在自然語言處理領(lǐng)域的實際應(yīng)用。最后本文對文本語言向量化表示進行了總結(jié)和未來研究方向展望。

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(chǎn)黨，1989年3月參加工作。1983年畢業(yè)于武漢測繪科技大學計算機系獲學士學位，1986年畢業(yè)于國防科技大學計算機系獲碩士學位，1989年畢業(yè)于中國科學院計算技術(shù)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(yīng)用工程技術(shù)研究中心主任及中-德語言信息處理聯(lián)合實驗室主任；現(xiàn)為國家\

圖書目錄

第1章緒論\t1
1．1 研究背景及意義\t1
1．2 基本定義及問題描述\t3
第2章語義表示學習的基礎(chǔ)信息\t6
2．1 發(fā)展歷史\t6
2．2 實際應(yīng)用\t8
第3章分布表示方法\t12
3．1 概述\t12
3．2 基于矩陣分解的方法\t15
3．3 基于神經(jīng)網(wǎng)絡(luò)的方法\t19
3．4 方法總結(jié)與對比\t26
第4章預訓練語言模型\t27
4．1 ELMo模型\t27
4．2 GPT模型\t28
4．3 BERT模型\t29
4．4 RoBERTa模型\t31
4．5 XLNet模型\t32
4．6 方法總結(jié)與對比\t33
第5章增強關(guān)聯(lián)模式的語義表示方法\t35
5．1 引言\t35
5．2 相關(guān)工作\t37
5．3 預備知識\t39
5．3．1 基于上下文信息的語義表示模型\t39
5．3．2 關(guān)聯(lián)模式挖掘\t40
5．4 增強關(guān)聯(lián)模式的語義表示模型\t41
5．4．1 基于CBOW的APWE模型\t42
5．4．2 基于Skip-gram的APWE模型\t43
5．5 實驗\t44
5．5．1 對比方法\t45
5．5．2 實驗I：文本分類\t45
5．5．3 實驗II：查詢詞擴展\t48
5．5．4 參數(shù)分析\t51
5．5．5 實例分析\t52
5．6 本章小結(jié)\t53
第6章基于知識的語義向量化表示\t55
6．1 引言\t55
6．2 相關(guān)工作\t57
6．2．1 知識庫表示\t57
6．2．2 知識與文本聯(lián)合表示\t59
6．3 基于語義結(jié)構(gòu)的語義表示模型\t60
6．3．1 語義結(jié)構(gòu)定義\t60
6．3．2 SENSE模型\t61
6．4 實驗\t63
6．4．1 對比方法\t64
6．4．2 參數(shù)設(shè)置\t65
6．4．3 任務(wù)I：詞相似度測量\t66
6．4．4 任務(wù)II：詞匯類比推理\t67
6．4．5 任務(wù)III：文本分類\t69
6．4．6 任務(wù)IV：查詢詞擴展\t71
6．5 本章小結(jié)\t73
第7章文本分類中任務(wù)導向的語義表示方法\t74
7．1 引言\t74
7．2 相關(guān)工作\t76
7．3 任務(wù)導向的語義表示模型\t78
7．3．1 語義特征表示\t78
7．3．2 任務(wù)特征表示\t78
7．3．3 聯(lián)合表示模型及優(yōu)化\t80
7．4 實驗\t80
7．4．1 數(shù)據(jù)集\t80
7．4．2 對比方法\t82
7．4．3 實驗參數(shù)設(shè)置\t82
7．4．4 整體評測效果\t84
7．5 實例分析\t87
7．6 本章小結(jié)\t89
第8章文本語義向量化表示在機器閱讀理解任務(wù)中的應(yīng)用\t90
8．1 引言\t90
8．2 機器閱讀理解\t93
8．3 機器閱讀理解基礎(chǔ)方法\t95
8．4 多粒度語義匹配的MGRC模型\t96
8．4．1 多粒度語義表示\t96
8．4．2 多粒度語義匹配\t99
8．4．3 聯(lián)合模型及其優(yōu)化\t103
8．5 實驗\t103
8．5．1 數(shù)據(jù)集\t104
8．5．2 評測指標及對比方法\t105
8．5．3 整體性能評測\t106
8．5．4 參數(shù)分析\t109
8．5．5 模塊有效性驗證\t109
8．5．6 實例分析\t113
8．6 本章小結(jié)\t115
第9章總結(jié)與展望\t116
9．1 本書總結(jié)\t116
9．2 未來研究方向展望\t117
參考文獻\t119