flair embedding--《Contextual String Embeddings for Sequence Labeling》阅读笔记

这篇文章主要是提出了一种embedding方法。

首先作者介绍了现有sota的embedding方法:

  • classical word embedding,在超大语料上预训练;
  • character-level  features,在领域内的数据集上训练,以捕捉任务相关的subword特性;
  • 情境化的embedding,捕捉一些多义词和任务相关的词;

作者提出了一种上下文字符embedding,以期能够融合上述三种sota embedding的特性,提出的这种上下文字符embedding随后被送入下游的sequence labeling任务中,比如说BiLSTM+CRF,整个模型的架构如下:

主要贡献是在最下层的character language model那块,具体实现方式见下图:

就是分别从前往后和从后往前对一个词建模,比如说上图中的Washington这个词,首先是获取Washington最后一个字母"n"的隐层状态,然后从后往前,获取到“w”这个字母的隐层表征,将这两部分的状态concat起来,即:

实验部分,作者分别在NER、chunking、POS等任务上,做了很多的尝试,实验结果见下:

下一步阅读下这篇文章的代码。

 

 

 

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