知识卡片
知识挖掘的技术选型应看数据规模而非追新
自然语言处理在知识加工中的技术选型应由数据规模决定:自然语言变量极多,只有大数据量才具有统计意义,因此深度学习模型适用于样本充分的通用场景;而大部分专业领域样本量不足,深度学习模型反而不可用,只能依赖字典或规则匹配。书中以石油勘探测井解释为例,用符号动力学方法把专家调参过程文本化、用NLP挖掘专家知识库,走的正是”数据不够、规则来凑”的路线。发散:这条经验法则对当下”遇事先上大模型”的技术选型倾向是个提醒——领域样本量不够时,规则/模板方法可能比深度学习更稳定、更可解释,也更容易维护。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
原书出处
参考来源
《慧聚:基于知识工程的工业技术软件化》第5章《知识工程体系》