词序列核函数

本文通过两个案例探讨了词序列核函数的应用,对比了不同词序列间的相似度,并得出ACB相较于ABC更接近ACBA的结论,为基于核函数的命名实体关系抽取技术提供了实证依据。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 

词序列核函数

 

Case 1:

ACB & ACBA

 

 

ACBA

 

ACB

 

2α

A

2α2

A

α

α

B

α2

B

α

α

C

α2

C

α

α4

AA

 

 

 

α3

AB

α6

AB

α3

α2

AC

α4

AC

α2

α2

BA

 

 

 

α3

CA

 

 

 

α2

CB

α4

CB

α2

α4

ABA

 

 

 

α4

ACA

 

 

 

α3

ACB

α6

ACB

α3

α3

CBA

 

 

 

 

4α2+2α4+2α6

 

Case 2:

ABC & ACBA



 

 

结论:

ACBABC更像ACBA

 

《基于核函数的命名实体关系抽取技术研究》

 

一般来说,语言模型旨在对于人类语言的内在规律进行建模,从而准确预测 词序中未来(或缺失)词或词元(Token)的概率。根据所采用技术方法的不同, 针对语言模型的研究工作可以分为以下四个主要发展阶段: • 统计语言模型(Statistical Language Model, SLM). 在 20 世纪 90 年代兴起的 统计语言模型 [4, 5] 是基于统计学习方法研发的。具体来说,统计语言模型使用马 尔可夫假设(Markov Assumption)来建立语言序的预测模型,通常是根据词序 中若干个连续的上下文单词来预测下一个词的出现概率,即根据一个固定长度 的前缀来预测目标单词。具有固定上下文长度 𝑛 的统计语言模型通常被称为 𝑛 元 (𝑛-gram)语言模型,如二元或三元语言模型。统计语言模型被广泛应用于信息检索 (Information Retrieval, IR)自然语言处理(Natural Language Processing, NLP)等领 域的早期研究工作。对于高阶统计语言模型来说,随着阶数 𝑛 的增加,需要估计的 转移概率项数将会指数级增长,经常会受到“维数灾难”(Curse of Dimensionality) 的困扰。为了缓解数据稀疏问题,需要设计专门的语言模型平滑策略,如回退估 计(Back-off Estimation)古德-图灵估计(Good-Turing Estimation)。然而平滑方 法对于高阶上下文的刻画能力仍然较弱,无法精确建模复杂的高阶语义关系。 • 神经语言模型(Neural Language Model, NLM). 神经语言模型 [6, 7] 使用神经 网络来建模文本序的生成,如循环神经网络(Recurrent Neural Networks, RNN)。图 1.1 语言模型的发展历程 灵奖获得者 Yoshua Bengio 在一项早期工作中 [6] 引入了分布式词表示(Distributed Word Representation)这一概念,并构建了基于聚合上下文特征(即分布式词向量) 的目标词预测函数。分布式词表示使用低维稠密向量来表示词汇的语义,这与基 于词典空间的稀疏词向量表示(One-Hot Representation)有着本质的不同,能够刻 画更为丰富的隐含语义特征。同时,稠密向量的非零表征对于复杂语言模型的搭 建非常友好,能够有效克服统计语言模型中的数据稀疏问题。分布式词向量又称为 “词嵌入”(Word Embedding)。这种基于隐含语义特征表示的语言建模方法为自然 语言处理任务提供了一种较为通用的解决途径。在这一系工作中,word2vec [8, 9] 是一个具有代表性的词嵌入学习模型,它构建了一个简化的浅层神经网络来学 习分布式词表示,所学习到的词嵌入可以用作后续任务的语义特征提取器,在自 然语言处理任务中得到了广泛使用,取得了显著的性能提升。这些创新性的研究 工作将语言模型用于文本表示学习(超越了原始的词序建模目标),在自然语言 处理领域产生了重要影响。概述上文
03-11
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值