多個視角對自然語言處理領域進行全面梳理

接著，對自然語言處理面臨的技術挑戰(zhàn)進行了分析，包括自然語言中大量存在的未知語言現(xiàn)象、歧義詞匯和結構、隱喻表達、以及翻譯問題中不同語言之間概念的不對等性等...

2019-05-19 標簽：人工智能自然語言處理nlp 4.6k 0

一文解析In-Context Learning

本文主要以實驗為主，探究以上影響 ICL 的因素。 實驗設置 作者采用 12 個模型進行了實驗。我們包括 6 種語言模型（表 1），所有這些模型...

2023-03-22 標簽：nlpChatGPT 4.6k 0

基于BIO序列標注的方法和基于片段的圖解析方法

該論文的出發(fā)點是將端到端基于片段的（span-based）語義角色標注（SRL）轉換為基于詞的（word-based）圖解析（graph parsing）任務。

2022-10-21 標簽：BIO數(shù)據(jù)集nlp 4.4k 0

什么是遷移學習？NLP遷移學習的未來

只用了100個案例，他們就達到了和用2萬個案例訓練出的模型同樣的錯誤率水平。除此之外，他們還提供了對模型進行預訓練的代碼，因為維基百科有多種語言，這使得...

2018-08-17 標簽：計算機視覺NLP遷移學習 4.3k 0

釋義思維：模仿人類語言識別的句子嵌入模塊

精準的時間序列預告對交通、能源、金融、經(jīng)濟等領域都非常重要。但是現(xiàn)代技術都是通過時間數(shù)據(jù)來建立預測模型，通常忽略了非結構化文本之下有價值的信息。本篇論文...

2018-08-22 標簽：嵌入式NLP語言識別 4.2k 0

大模型的優(yōu)劣勢有哪些

一般而言，越復雜的任務，越充裕的資源，應該是各自用更加專業(yè)的方案來做各自的上限才會比較高，大模型能提供的，是一個基礎的、快速的、zero shot或者f...

2023-09-07 標簽：nlp大模型 4.2k 0

Jina AI到底是做什么的？為什么要做這些

在 Jina AI，我們的產(chǎn)品囊括了跨模態(tài)、多模態(tài)、神經(jīng)搜索和生成式 AI，涵蓋了未來 AI 應用的很大一部分。

2023-01-16 標簽：人工智能機器學習LDA 3.9k 0

探析自然語言處理中的深度遷移學習

展示幾種最先進的通用句子嵌入編碼器，特別是在遷移學習任務的少量數(shù)據(jù)上與 Word embedding 模型相比的情況下，它們往往會給出令人驚訝的良好性能。

2018-12-13 標簽：深度學習nlp 3.7k 0

如何利用spaCy和Cython以約100倍于Python的速度實現(xiàn)NLP

然后，我們可以將矩形列表存儲在這種結構的 C 數(shù)組中，并將這個數(shù)組傳遞給我們的 check_rectangle 函數(shù)。此函數(shù)現(xiàn)在接受一個 C 數(shù)組作為輸...

2018-07-24 標簽：C語言PythonNLP 3.7k 0

面向自然語言處理的神經(jīng)網(wǎng)絡遷移學習的答辯PPT

現(xiàn)實中的自然語言處理面臨著多領域、多語種上的多種類型的任務，為每個任務都單獨進行數(shù)據(jù)標注是不大可行的，而遷移學習可以將學習的知識遷移到相關的場景下

2019-03-02 標簽：神經(jīng)網(wǎng)絡自然語言處理nlp 3.6k 0

基于OpenAI的GPT-2的語言模型ProtGPT2可生成新的蛋白質序列

人類語言與蛋白質有很多共同點，至少在計算建模方面。這使得研究團隊將自然語言處理（NLP）的新方法應用于蛋白質設計。其中，德國Bayreuth大學Birt...

2022-09-08 標簽：解碼器語言模型nlp 3.5k 0