Вложение предложения - Sentence embedding

Машинное обучение и интеллектуальный анализ данных
Часть серии по
Проблемы Классификация Кластеризация Регресс Обнаружение аномалий AutoML Правила ассоциации Обучение с подкреплением Структурированный прогноз Разработка функций Особенности обучения Онлайн обучение Полу-контролируемое обучение Обучение без учителя Учимся ранжировать Введение в грамматику
Обучение с учителем ( классификация • регрессия ) Деревья решений Ансамбли Упаковка Повышение Случайный лес k -NN Линейная регрессия Наивный байесовский Искусственные нейронные сети Логистическая регрессия Перцептрон Вектор релевантности (RVM) Машина опорных векторов (SVM)
Кластеризация БЕРЕЗА ЛЕЧЕНИЕ Иерархический k- означает Ожидание – максимизация (EM) DBSCAN ОПТИКА Средний сдвиг
Снижение размерности Факторный анализ CCA ICA LDA NMF PCA PGD t-SNE
Структурированный прогноз Графические модели Сеть Байеса Условное случайное поле Скрытый Марков
Обнаружение аномалий k -NN Фактор локального выброса
Искусственная нейронная сеть Автоэнкодер Глубокое обучение DeepDream Многослойный перцептрон RNN LSTM ГРУ ESN Ограниченная машина Больцмана GAN SOM Сверточная нейронная сеть U-Net Трансформатор Пиковая нейронная сеть
Обучение с подкреплением Q-обучение SARSA Временная разница (TD)
Теория Компромисс смещения и дисперсии Теория вычислительного обучения Минимизация эмпирического риска Обучение Оккама PAC обучение Статистическое обучение Теория ВК
Площадки для машинного обучения NeurIPS ICML ML JMLR ArXiv: cs.LG
Глоссарий искусственного интеллекта Глоссарий искусственного интеллекта
Статьи по Теме Список наборов данных для исследований в области машинного обучения Схема машинного обучения
v т е

Приговор вложение является собирательным названием для набора методов в обработке естественного языка (NLP) , где предложения сопоставляются с векторами из действительных чисел .

заявка

Предложение вложение используется глубокое обучение программного обеспечения библиотеки PyTorch и TensorFlow

Оценка

Один из способов тестирования кодирования предложений - применить их к корпусу предложений, включающих композиционные знания (SICK), как на следствие (SICK-E), так и на родство (SICK-R).

Наилучшие результаты дает использование сети BiLSTM, обученной на Stanford Natural Language Inference (SNLI) Corpus . Коэффициент корреляции Пирсона для SICK-R составляет 0,885, а результат для SICK-E составляет 86,3. Небольшое улучшение по сравнению с предыдущими оценками представлено в: SICK-R: 0,888 и SICK-E: 87,8 с использованием конкатенации двунаправленного стробированного рекуррентного блока .

Смотрите также

внешние ссылки

У Scholia есть тематический профиль Q29043221 .

Languages

In other projects

Вложение предложения - Sentence embedding

Содержание

заявка

Оценка

Смотрите также

внешние ссылки

Рекомендации