【AI理论学习】语言模型：从Word Embedding到ELMo

10月前作者：镰刀韭菜分类：Toy博客阅读(35) 违法举报

这篇具有很好参考价值的文章主要介绍了【AI理论学习】语言模型：从Word Embedding到ELMo。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

本文主要介绍一种建立在LSTM基础上的ELMo预训练模型。2013年的Word2Vec及2014年的GloVe的工作中，每个词对应一个vector，对于多义词无能为力。ELMo的工作对于此，提出了一个较好的解决方案。不同于以往的一个词对应一个向量，是固定的。 在ELMo世界里，预训练好的模型不再只是向量对应关系，而是一个训练好的模型。使用时， 将一句话或一段话输入模型，模型会根据上线文来推断每个词对应的词向量。这样做之后明显的好处之一就是对于多义词，可以结合前后语境对多义词进行理解。比如apple，可以根据前后文语境理解为苹果公司或一种水果。可以说，ELMo的提出意味着从词嵌入（Word Embedding）时代进入了语境词嵌入（Contextualized Word-Embedding）时代。

ELMo原理

ELMo来自论文Deep contextualized word representations，它是”Embeddings from Language Models“的简称。从论文题目看，ELMo的核心思想主要体现在深度上下文（Deep Contextualized ࿰文章来源地址https://www.toymoban.com/news/detail-694291.html

到了这里，关于【AI理论学习】语言模型：从Word Embedding到ELMo的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

HMM理论学习笔记-隐马尔可夫模型的三个元素、假设和问题

初学HMM之前，先回忆一下概率论、信息论中学到的一些离散型随机变量的基本公式和概念，势必有助于后续公式推导的理解。条件概率条件概率表示在条件Y=b成立的情况下，X=a的概率。 A，B相互独立时， P ( B ∣ A ) = P ( B ) ， P ( A ∣ B ) = P ( A ) P(B|A)=P(B)，P(A|B)=P(A) P ( B ∣ A

2024年02月01日
浏览(44)
深度学习卷积神经网络CNN之 VGGNet模型主vgg16和vgg19网络模型详解说明（理论篇）

1.VGG背景 2. VGGNet模型结构 3. 特点（创新、优缺点及新知识点） VGGNet是2014年ILSVRC（ImageNet Large Scale Visual Recognition Challenge 大规模视觉识别挑战赛）竞赛的第二名，解决ImageNet中的 1000类图像分类和定位问题，第一名是GoogLeNet。 VGG全称是Visual Geometry Group，因为是由O

2024年02月03日
浏览(39)
【机器学习】四、计算学习理论

计算学习理论（computational learning theory）：关于通过“计算”来进行“学习”的理论，即关于机器学习的理论基础，其目的是分析学习任务的困难本质，为学习算法体统理论保证，并根据结果指导算法设计。对于二分类问题，给定样本集假设所有样本服从一个隐含未知的分布

2024年02月06日
浏览(49)
【机器学习】集成学习（理论）

集成学习（Ensemble Learning），通过构建并结合多个学习器来完成学习任务。一般结构是：先产生一组“个体学习器”，再用某种策略将它们结合起来。结合策略主要有平均法、投票法和学习法等。因此，有时也称集成学习为多学习器系统(multiclassifier system)、基于委员会的学习

2024年02月03日
浏览(51)
【自然语言处理】【深度学习】文本向量化、one-hot、word embedding编码

因为文本不能够直接被模型计算，所以需要将其转化为向量把文本转化为向量有两种方式：转化为one-hot编码转化为word embedding 在one-hot编码中，每一个token使用一个长度为N的向量表示，N表示词典的数量。即：把待处理的文档进行分词或者是N-gram处理，然后进行去重得到词典

2024年01月24日
浏览(56)
机器学习理论笔记（一）：初识机器学习

尊敬的读者们，大家好！欢迎来到我的全新专栏：《蓝色是天的机器学习笔记》。我感到无比兴奋，能够在这里与各位分享我对机器学习的热爱与探索。这个专栏将成为我记录机器学习知识、交流心得的温馨角落，而这篇文章正是专栏的第一步。作为机器学习领域的狂热爱好

2024年02月12日
浏览(49)
【Python机器学习】深度学习——一些理论知识

深度学习在很多机器学习应用中都有巨大的潜力，但深度学习算法往往经过精确调整，只适用于特定的使用场景。先学习一些简单的方法，比如用于分类和回归的多层感知机（MLP），它可以作为研究更复杂的深度学习方法的起点。MPL也被称为（普通）前馈神经网络，

2024年01月16日
浏览(49)
Transformer理论学习

Transformer出自于论文《attention is all you need》。一些主流的序列模型主要依赖于复杂的循环结构或者CNN，这里面包含了编解码器等。而Transformer主要的结构是基于注意力机制，而且是用多头注意力机制去替换网络中的循环或者CNN(换言之就是 transformer 这个网络模型是不需要循环

2024年02月13日
浏览(46)
孤子理论学习（一）

最简单的波的典型例子就是声波和电磁波，它们可以用下面的方程描述： ( ∂ 2 ∂ t 2 − v 0 2 ∂ 2 ∂ x 2 ) f ( x , t ) = 0 (1.1) (frac{partial^2}{partial t^2}-v_0^2frac{partial^2}{partial x^2})f(x,t)=0 ,tag{1.1} ( ∂ t 2 ∂ 2 − v 0 2 ∂ x 2 ∂ 2 ) f ( x , t ) = 0 ( 1.1 ) 其中， v 0 v_0

2024年02月07日
浏览(47)
理论学习-ARM-内核

为了提高学习效率，我们要提前想好学习策略。首先，使用频率越高的知识点，越要首先学习。假使，我们学习了一个知识点，能覆盖工作中80%的工作量，那是不是很夸张的学习效率？！其次，有两种覆盖知识点，梳理知识点的策略。一种是将知识按体系划分，挨个学习，

2024年02月22日
浏览(41)