1、入门
CNN能够有效地在上下文中挖掘语义信息,但是无法对远距离上下文信息进行建模,也无法处理词汇的顺序信息。与CNN不同,RNN(循环)可以处理词汇的顺序信息,并且具有灵活的计算步骤,可以提供更好的建模能力。由于RNN容易出现梯度消失的问题,对其进行改进的LSTM网络开始流行。此外,由于计算能力有限导致信息超载问题严重,注意力机制作为一种资源分配方案,通过将计算资源分配给更重要的任务,有效缓解了这一问题。由于语言是具有层级结构的,而CNN和RNN(循环)都将语言视为一个序列。因此,RNN(递归)网络作为RNN(循环)的推广,以树形结构替代序列来表示语言,有效解决了数据结构的表征问题。此后,由于一些资源贫乏的语言缺乏充足的语言数据,深度学习模型无法从中学习总结到有用的规律,因此,预训练模型被用来解决这一问题[7]。BERT作为一款重要的预训练模型,采用了Transformer的架构,一经推出便席卷整个自然语言处理领域,在11种自然语言处理任务中取得最佳性能,带来了革命性的进步。此后,以BERT为基础的改进模型相继被提出,大大推动了NLP领域的进步。
(0-0)需要以上表格相关文献的请发邮件shaneholmes@qq.com
2、预训练模型
1、Semi-supervised Sequence Learning 、下载
2、Sequence to Sequence Learningwith Neural Networks
如何使用多层长短期记忆网络(LSTM)将输入序列映射到一个固定维度的向量?
3、注意力机制