NLP（七）ELMO

标签：循环   inf   处理   school   app   小明   min   word   词语   

参考：https://www.cnblogs.com/robert-dlut/p/9824346.html

Embeddings from Language Model

一、引入

ELMO不同于glove，word2vec，后者们的思想是对于一个词语，用一个预训练好的模型，把一个词语变成一个固定不变的词向量表示，固定不变的意思就是，一旦我确定好了我的模型，确定好了我的语料库，那么这个词即将变成哪一个词向量表示就确定了。然而ELMO不是这样的，对于‘apple’一词，ELMO认为当它是指苹果公司的时候是一种词向量表示，但当它是指吃的水果的时候又是另一种词向量表示，ELMO可以解决一词多义的问题，因为它是基于long context的，而不是像word2vec之类的基于语料库的窗口来训练的。

二、RNN和LSTM

RNN- Recurrent Neural Network循环神经网络

因为神经网络来学习这种序列问题，比如翻译，语音识别等问题，结果并不好，因为首先你不清楚你输入的句子有多长，毕竟训练出来的模型是要可以用在其他句子上的；其次标准的神经网络不能够共享从文本的不同位置学习到的特征，比如说当我们一开始知道了“小明”是个人名，希望随后“小明”再次出现时依然记得它是人名，标准神经网络就做不到共享特征。于是就可以采用循环神经网络RNN来解决这个问题。

比如一句话是“小明开开心心地和小蓝一起去上学”。对于这个句子，我们知道翻译结果“Xiaoming and Xiaolan go to school happily”。RNN如果用作翻译，它是这么处理这个句子的：

首先我们有个初始化的向量，称为$a^{0}$，此时我们开始从左往右开始读原句子，读到“小明”，然后我们就用“小明”和$a^{0}$一块计算

RNN存在梯度消失的问题，也就是说RNN的单元太多太长的时候，反向传播时，最前面的参数可能会得到很少甚至几乎没有的更新步长，这是不科学的，因为这些最前面的单元参数不可以倚老卖老，不能因为你先出现了，你就不做任何改变；然后LSTM就是可以用来解决RNN的梯度消失问题所提出来的。这是二者的关系，先做一个感性的认识，接下来会讲一下LSTM具体是什么样一种机制

三、ELMO

四、

NLP（七）ELMO

标签：循环   inf   处理   school   app   小明   min   word   词语   

原文地址：https://www.cnblogs.com/liuxiangyan/p/12724635.html