目录
2.word2vec是如何工作的?它和LDA有什么区别和联系呢?
6.LSTM中各模块分别使用什么激活函数,可以使用别的激活函数吗?
9.Seq2Seq模型加入注意力机制是为了解决什么问题?为什么会选用双向循环神经网络?
11.如何对中文分词问题利用隐马尔可夫模型(HMM)进行建模和训练
12.常见的概率图模型中,哪些是生成式模型,哪些是判别式模型?
13.决策树的概念?有哪些常用的启发函数?如何对决策树进行剪枝?
1.文本表示模型及其优缺点
可分为传统模型和词嵌入模型。
传统模型包括词袋模型、TF-IDF、n-gram、LDA,其中词袋模型主要是依据字典来计算每个样本中的词语对应的频率/有无出现特征;而TF-IDF主要是用来衡量某个单词对于语义区别的重要性;n-gram主要是通过滑动窗口的形式将连续的单词作为对应特征;LDA是通过分解“文档-单词”矩阵来得到“文档-主题”和“主题-单词”两个概率分布,主要目的是计算每篇文档的主题分布。这一类传统模型实现较为简单,效率高,但所获得的的特征不包含语义信息,且易造成维度灾难。
词嵌入模型属于深度学习的范畴,旨在将每个单词映射成一个低维的稠密向量,包括word2vec、Glove、fasttext等算法,其中最常用的是word2vec,其次是fasttext。在语义获取上更有优势。
2.word2vec是如何工作的?它和LDA有什么区别和联系呢?
关于word2vec的工作原理可参考[大话NLP领域的传统词向量预训练
而针对word2vec与LDA的区别与联系:
LDA是通过分解“文档-单