TextCNN(一)

本文深入探讨了《Glove: Global Vectors for Word Representation》这篇论文,介绍了词向量的发展历程,从NNLM到word2vec,再到Glove的进步。Glove通过全局统计方法捕捉词汇间的上下文关系,在7个文本分类任务中取得显著效果,对比了不同预训练词向量在CNN模型中的应用。
摘要由CSDN通过智能技术生成


# 文章目录

论文《Glove: Global Vectors for Word Representation》

论文导读

1. 论文总览、学习目标

总览、学习目标

image

2.论文背景

论文中提到的三个方面:

a.深度学习的发展

模型更复杂、精度提升巨大

b.词向量的发展

NNLM的提出

word2vec的提出

Glove的提出

c.卷积神经网络的发展

CNN网络

轰动世界的AlexNet的提出

3.论文研究成果及意义

研究成果

在7个文本分类任务中取得了特别好的结果

  • CNN-rand : 使用随机初始化的词向量
  • CNN-static: 使用静态预训练的词向量
  • CNN-non-static: 使用微调的预训练的词向量
  • CNN-multichannel : 同时使用静态预训练的词向量和微调的预训练的词向量

小结

image

小结

评论
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