- BERT的“[CLS]”标记生成的原生句子表示在句子评估基准(如语义文本相似性(STS)任务)上表现非常糟糕。
- 缺乏有效的自监督句子训练集
- 通常自监督方法:通过加mask生成,或者对比(NSP)
- ConSERT标记变换、特征截断
- SimCSE使用不同 的dropout掩码
- 自监督学习:支持生成内容选择,效果不错,但在句子方向应用少
- 现有:句子视为整体,句间不同
- 本文:句内视角
- 短语感知的句子表示(PaSeR):在句子表示中将最重要短语编码
- 核心方法
- 短语提取:一个句子句法解析树中的随机子树。通过使用NLTK (Loper and Bird, 2002),我们可以很容易地提取一个句子的组成部分,包括从句(SBAR),动词短语(VP)和名词短语(NP)。
- 统计关键短语提取算法,RAKE (Rose等人,2010)。RAKE首先使用停顿词或标点符号将原句子或文档标记成短语。为了获得每个短语的重要性,RAKE首先构建单词的共现矩阵,并通过其在共现矩阵中的度deg(w)和其在文档或句子中的频率freq (w)计算单词w的重要性。最后,通过对该短语中所有单词的wordScore求和来计算该短语的重要性。(best perform)
- Duplicate and Masking
- 差分模型:具体来说,对于一个给定的句子s,它由多个短语P = {p0, p1,…, pn},按RA
基于短语的句子学习模型Sentence Representation Learning withGenerative Objective rather than Contrastive Object
最新推荐文章于 2023-09-06 16:25:37 发布
本文提出了一种新的句子表示方法PaSeR,通过短语感知的手段来提升句子表示的质量。利用NLTK和RAKE进行短语提取,通过遮蔽和生成模型学习句子表示,同时应用数据增强技术,如同义词替换、随机删除和标记重排序,提高模型对语义的理解。实验结果显示,这种方法在语义文本相似性和语义检索任务中表现出色。
摘要由CSDN通过智能技术生成