知识卡片
上下位投影学习多维回归映射
给定下位词向量x与上位词向量y,可学习矩阵Φ使平均平方距离‖Φx−y‖²较小。它是监督关系映射,训练依赖已知词对与嵌入版本;误差小是候选信号,不是逻辑证明,更不能声称自动知识构建问题最终解决。
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。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
1.均匀线性映射 直观地说,假设所有的词可以基于统一的转移矩阵被映射到其上位词。即,给定一个词x 和其上位词y ,存在一个矩阵Φ ,从而y =Φx 。为简单起见,使用与词相同的符号来表示嵌入向量。获得用于所有上下位词对的投影一致的精确Φ 是
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:摘录中关于上下位投影学习多维回归映射的定义、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:1.均匀线性映射 直观地说,假设所有的词可以基于统一的转移矩阵被映射到其上位词。即,给定一个词x 和其上位词y ,存在一个矩阵Φ ,从而y =Φx 。为简单起见,使用与词相同的符号来表示嵌入向量。获得用于所有上下位词对的投影一致的精确Φ 是