机器阅读理解中文章和问题的深度学习表示方法

本文介绍了机器阅读理解中文章和问题的深度学习表示方法,包括将文章视为单词流序列用RNN建模,以及通过Word Embedding表达文章整体语义。对于问题,除了类似的表示方式,还有一种结合双向RNN尾部和头部信息来表征整体语义的模型。这些方法常用于NLP领域的不同任务。
摘要由CSDN通过智能技术生成

/* 版权声明:可以任意转载,转载时请标明文章原始出处和作者信息 .*/

                                       author: 张俊林


注:本文是《深度学习解决机器阅读理解任务的研究进展》节选,该文将于近期在“深度学习大讲堂”公众号发布。



2.1文章和问题的表示方法


   用神经网络处理机器阅读理解问题,首先面临的问题就是如何表示文章和问题这两个最重要的研究对象。我们可以从现有机器阅读理解相关文献中归纳总结出常用的表示方法,当然这些表示方法不仅仅局限于阅读理解问题,也经常见于NLP其他子领域中。



    4.文档表示方法:模型一


首先,对于机器阅读理解中的文章来说,有两种常见的文章内容表达方式。最常见的一种即是将一篇文章看成有序的单词流序列(参考图4的模型一),在这个有序序列上使用RNN来对文章进行建模表达,每个单词Dt

评论 2
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