深度学习和自然语言处理NLP
gaozhsh2020首次发布：2020年8月1日 17:26浏览量：2551
用鼠标选中
生字 后，就能自动读出发音
从根本上说，深度学习在 NLP 问题上的优势有三，这是传统机器学习方法所不具备的。
1.表达能力：利用深度学习，文本、图像等不同格式都可以表示为实值向量，这使得我们可以跨多种模式执行信息处理。例如，在图像检索中将查询（文本）与图像进行匹配并找到最相关图像变得可行，因为它们都可以表示为向量。
2.可训练性：深度学习让我们可以为应用执行端到端的训练，从而快速、高质量地解决问题，因为深度神经网络使得数据中的信息能在模型中被有效“编码”。例如，在神经机器翻译（NMT）中，模型完全由平行语料库（parallel corpora）自动构建，通常不需要人为干预。与统计机器翻译的传统方法相比，这显然是一个优势，特征工程对于后者是至关重要的。
3.可推广性：机器对未经训练的数据也可以执行预测。可以更为全面地理解深度学习用于 NLP 的优势与挑战。优势：
擅长模式识别问题数据驱动，且在很多问题上性能都很高端到端训练，构建系统时很少需要或不需要领域知识（当然这一点也有争议）表示学习，使得跨模式处理可行基于梯度的学习。
学习算法很简单主要是监督学习方法挑战：
(1) 不擅长推理和决策不能直接处理符号数据饥渴，在数据量较小时不适用难以处理长尾现象模型；
(2) 通常是一个黑盒子，可解释性差计算成本很高。
总之，无监督学习方法有待突破仍然缺乏理论基础。
最新修改时间：2023年11月17日 17:51
您已浏览完毕。
高章舜，软考技术支持专家、中文“智能文”发明者、中文智能化推进者。其EMAIL是：gaozhsh2007@sina.com
高章舜主持开发的中文智能编辑系统，呈现了中文“智能体”的优美。为了发扬光大中文的优秀传统，弘扬文化自信，著作人决定第一版开源，向全社会开放本版本的使用权。如果您需要更清晰、更优美、更专业、手写体更丰富的文章格式，甚至还需要定制字体和文章格式的话，请按上一段里的EMAIL给高章舜老师发邮件。
