愛好廣泛枫虏，興趣多多
發(fā)簡(jiǎn)信
IP屬地：北京
-
-
【深度學(xué)習(xí)】從seq2seq到Transformer學(xué)習(xí)記錄背景 Encoder-Decoder是個(gè)非常通用的計(jì)算框架咆槽，至于Encoder和Decoder具體使用什么模型都是由研究者自己定的亮航，常見的比如 CNN / RNN / BiR...
-
Love Xi Bao!<br>Love Xi Bao's Mom!
-
BERT Word Embeddings 教程本篇文章譯自 Chris McCormick的BERT Word Embeddings Tutorial 在這篇文章睡毒，我深入研究了由Google的Bert生成的word em...
-
-
NLP論文解讀：XLNet摘要 通過雙向文本預(yù)訓(xùn)練模式吕嘀，以BERT為代表的基于自編碼（autoencoding）的預(yù)訓(xùn)練模型在各類任務(wù)上表現(xiàn)突出违寞，超越了傳統(tǒng)的單向訓(xùn)練的自回歸（autoregressi...
-
哈工大計(jì)算機(jī)碩士畢業(yè)趁曼。<br>主研自然語(yǔ)言處理、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘棕洋。兼做開發(fā)挡闰。<br>實(shí)習(xí)：騰訊-QQ音樂-搜索策略組；<br>正式：快手-安全線-內(nèi)容安全策略組（NLP）。<br>Email:luowangda_hitsz@163.com<br><br>最近主要在one-note上記錄摄悯，有空再往簡(jiǎn)書上遷移赞季。
-
Bert學(xué)習(xí)深度學(xué)習(xí)在NLP領(lǐng)域的發(fā)展 一、詞向量歷史 1.1 第一階段： Word embeddignd Word 2Vec Glove 通過無監(jiān)督的語(yǔ)料奢驯，來學(xué)習(xí)到比較好的詞向量申钩，基于...
-
-
-
出生于淮海平原<br>求學(xué)于北京海淀<br>工作于滬杭兩地<br><br>專業(yè)是 EE，工作是互聯(lián)網(wǎng)的工程師
-
筆記：文本分類的模型對(duì)比（詞嵌入豁跑、CNN廉涕、RNN）摘要 數(shù)據(jù) 該數(shù)據(jù)集包含 1,578,614 個(gè)分好類的推文，每一行都用 1（積極情緒）和 0（消極情緒）進(jìn)行了標(biāo)記艇拍。 作者建議用 1/10 的數(shù)據(jù)進(jìn)行測(cè)試狐蜕，其余數(shù)據(jù)用于訓(xùn)練...
-
-
AAAI 2019 | 基于多層轉(zhuǎn)換約束的聯(lián)合抽取多三元組模型
三元組抽取是自動(dòng)化構(gòu)建知識(shí)庫(kù)的關(guān)鍵步驟馏鹤，傳統(tǒng)模型方法一般先處理實(shí)體識(shí)別，后處理關(guān)系分類娇哆，忽略了兩個(gè)任務(wù)的關(guān)聯(lián)性湃累，容易造成誤差的級(jí)聯(lián)傳播；近些年來碍讨，基于神經(jīng)網(wǎng)絡(luò)的聯(lián)合方法模型興...
-
評(píng)論較多勃黍，簡(jiǎn)書回復(fù)也不太方便宵统，如有問題麻煩關(guān)注下面的公眾號(hào)，加入我的微信群一起討論覆获。公眾號(hào)ID：小小挖掘機(jī)
