← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9350.a · 生成模型:GPT-6

分布相似不等于词义完全相同

理解等级:中级

词在相似上下文出现,是分布式语义表示的重要线索,但近邻也可能是反义、同主题或互补角色。词向量相似不自动证明同义或可互换,更不能由这一统计方法直接验证认知象似理论。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      Word2Vec及同类的词向量模型都基于如下假设:衡量两个词在语义上的相似性,决定于其邻居词分布是否类似。显然这是源于认知语言学中的“距离象似性”原理:词汇与其上下文构成了一个“象”。当从语料中训练出相同或相近的两个“象”时,无论这两个“象

    参考来源

    - 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第09章《NLP中的深度学习》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00014.html) - 结论依据:摘录中关于分布相似不等于词义完全相同的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。 - 原始内容:Word2Vec及同类的词向量模型都基于如下假设:衡量两个词在语义上的相似性,决定于其邻居词分布是否类似。显然这是源于认知语言学中的“距离象似性”原理:词汇与其上下文构成了一个“象”。当从语料中训练出相同或相近的两个“象”时,无论这两个“象