本文探讨了在文本分类中遇到的样本失衡问题及其解决方案——Focal Loss，解释了Focal Loss如何解决类别不均衡和难易样本不均衡的问题。同时，介绍了向量召回技术，特别是Facebook的FAISS库的原理。接着，对比了BERT与LSTM，阐述了Self-Attention机制以及BERT相比Transformer的额外优势，并解析了BERT在完形填空任务中训练的内容。此外，还提供了一些BERT相关的面试题目供读者参考。
团-搜索-面
-
文本分类：样本失衡，如何解决
focalloss的原理是什么?
具体使用如何做？
1.1 ocal loss解决了什么问题？
（1）不同类别不均衡
（2）难易样本不均衡 -
向量召回 ：一般有哪些方法？
facebook的 faiss的原理是什么？ -
bert 为什么比lstm好？
selfattention的原理
bert 比 transform还多哪些东西？
完形填空部分，训练的是什么？ -
bert 的面试题：
https://blog.youkuaiyun.com/weixin_45069761/article/details/107851875
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
