tBERT: Topic Models and BERT Joining Forces for Semantic Similarity Detection

原创

于 2020-10-14 14:44:02 发布 · 2.4k 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#自然语言处理 #bert #topic #人工智能

tBERT模型结合了主题模型（如LDA和GSDMM）与BERT，用于增强语义相似度检测。在BERT编码的基础上，引入句子的文档主题和单词主题，通过联合表示和分类层提升模型性能。实验证明，主题模型在处理特定领域词汇和不常见拼写时能提升BERT的表现，尤其在MSRP、Quora和SemEval数据集上取得良好效果。

tBERT: Topic Models and BERT Joining Forces for Semantic Similarity Detection

文章发表在ACL2020。下面简单记录一下这篇文章的主要内容。

模型结构

如图1所示：
- 首先，用基础的BERT对两个句子 $S_{1}$ ， $S_{2}$ 进行编码。BERT最后一层的输出作为句子对的表示，用向量

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。