知识卡片
PTB语料的预处理
书中的 Penn Treebank 实验使用预处理版本:稀有词替换为 <unk>,数字替换为 N,句末插入 <eos>。示例将句子连接为一条长序列,并分别加载训练、验证或测试数据;因此实验结果应结合这一预处理和数据划分理解,而不是当作原始语料的直接统计。
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
- 自然语言和单词的分布式表示 · 查看原书依据
包括将稀有单词替换成特殊字符 <unk>(unk 是 unknown 的简称),将具体的数字替换成“N”等。
参考来源
- 位置:《深度学习进阶:自然语言处理》第2章《自然语言和单词的分布式表示》2.4.4(来源项目 book-source:extracted/深度学习进阶:自然语言处理/_epub-src/text/part0007_split_004.html)
- 结论依据:原文列出稀有词和数字替换、句末标记以及数据集读取方式。
- 原始内容:包括将稀有单词替换成特殊字符 <unk> (unk 是 unknown 的简称),将具体的数字替换成“N”等。