130
个编辑
更改
跳到导航
跳到搜索
第354行：
第354行： − + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
→动态词嵌入（如 ELMo）
与 Word2Vec/GloVe 对比：Word2Vec/GloVe 生成的是固定词向量、语境无关，BERT 输出的是上下文相关的词表示，能捕捉复杂句法语义关系；
与 Word2Vec/GloVe 对比：Word2Vec/GloVe 生成的是固定词向量、语境无关，BERT 输出的是上下文相关的词表示，能捕捉复杂句法语义关系；
==== 动态词嵌入（如 ELMo） ====
==== 5.4 动态词嵌入（ ELMo）： ====
===== 背景： =====
LMo（'''Embeddings from Language Models'''）是由 Allen Institute for AI（AI2）的 Matthew Peters 等人在 2018 年 NAACL 上提出的预训练词嵌入方法。ELMo 是 NLP 中'''首个大规模应用上下文动态词向量的模型'''，突破了 Word2Vec 和 GloVe 中“一个词一个向量”的静态表示限制。其提出背景在于自然语言中存在大量'''多义词'''与'''语义歧义现象'''（如 "bank" 表示“银行”或“河岸”），传统静态词向量模型无法根据上下文动态调整词的含义表示。而 ELMo 利用'''双向语言模型（BiLM）'''捕捉词的上下文依赖关系，为每个词生成'''可变的、语境敏感的表示'''。
===== 技术原理： =====
ELMo 基于传统语言模型（Language Model, LM），但引入了以下三个关键技术点：
·双向语言模型（BiLM）：
一个正向语言模型（从左到右）：<math>P(w_1, w_2, \ldots, w_T) = \prod_{t=1}^{T} P(w_t \mid w_1, \ldots, w_{t-1})
</math>
一个反向语言模型（从右到左）：<math>P(w_T, \ldots, w_1) = \prod_{t=1}^{T} P(w_t \mid w_{t+1}, \ldots, w_T)
</math>
这两个模型均使用深层 '''LSTM（Long Short-Term Memory）''' 网络进行建模，层数通常为两层。
·多层表示聚合机制：
ELMo 并不是仅提取 LSTM 的最后一层输出作为词向量，而是将所有层的隐状态按照加权方式聚合，从而获得更加丰富的语义特征。
每个词的 ELMo 表示由以下公式给出：
<math>\text{ELMo}(w_t) = \gamma \sum_{j=0}^{L} s_j \cdot \mathbf{h}_t^{(j)}
</math>
其中：
<math>\mathbf{h}_t^{(j)}
</math> 表示第 <math>j
</math> 层对词 <math>w_t
</math> 的隐状态，是前向和后向语言模型的连接结果。
===== 总结与对比： =====
=='''开源实现与工具'''==
=='''开源实现与工具'''==