Mindmakerbot il 10:20, 6 set 2024

2024-09-06T10:20:53Z

← Versione meno recente		Versione delle 10:20, 6 set 2024
Riga 7:		Riga 7:
	}}		}}

	Questo articolo ~~introduce~~ un nuovo tipo di rappresentazione di parole contestualizzate che modella sia le caratteristiche complesse dell'uso delle parole (ad esempio, sintassi e semantica), sia ~~il modo in cui~~ questi usi variano a seconda dei contesti linguistici (ovvero, per modellare la polisemia).		Questo articolo presenta un nuovo tipo di rappresentazione di parole contestualizzate profonde che modella sia (1) le caratteristiche complesse dell'uso delle parole (ad esempio, sintassi e semantica), sia (2) come questi usi variano a seconda dei contesti linguistici (ovvero, per modellare la polisemia). I vettori di parole sono funzioni apprese degli stati interni di un modello linguistico bidirezionale profondo (biLM), che è pre-addestrato su un ampio corpus di testo. Gli autori dimostrano che queste rappresentazioni possono essere facilmente aggiunte ai modelli esistenti e migliorare significativamente lo stato dell'arte in sei sfidanti problemi di PNL, tra cui il question answering, l'implicazione testuale e l'analisi del sentiment. Presentano inoltre un'analisi che mostra che esporre gli interni profondi della rete pre-addestrata è fondamentale, consentendo ai modelli a valle di combinare diversi tipi di segnali di semi-supervisione.

	I vettori di parole sono funzioni apprese degli stati interni di un modello linguistico bidirezionale profondo (biLM), pre-addestrato su un ampio corpus di testo. ~~Questo approccio consente~~ di ~~ottenere rappresentazioni più ricche~~ e ~~informative rispetto~~ ai ~~tradizionali word embedding statici~~.

	~~[[Categoria:Pubblicazione]]~~

	{{#seo:		{{#seo:
	\|title=Deep Contextualized Word Representations		\|title=Deep Contextualized Word Representations
	\|title_mode=append		\|title_mode=append
	\|keywords=~~rappresentazioni di~~ parole, ~~word embedding, modelli linguistici~~, elaborazione del linguaggio naturale~~, apprendimento profondo, reti neurali~~, semantica, sintassi, polisemia		\|keywords=rappresentazione delle parole, apprendimento profondo, elaborazione del linguaggio naturale, semantica, sintassi, polisemia, modelli linguistici, word embedding
	\|description=Questa pubblicazione presenta un nuovo tipo di rappresentazione di parole contestualizzate, ~~modellando~~ sia le caratteristiche complesse dell'uso delle parole che le loro variazioni in base al contesto ~~linguistico~~. ~~Questo approccio~~, ~~basato su un modello linguistico bidirezionale profondo, genera rappresentazioni più ricche rispetto ai tradizionali word embedding statici~~.		\|description=Questa pubblicazione presenta un nuovo tipo di rappresentazione di parole contestualizzate, che modella sia le caratteristiche complesse dell'uso delle parole che le loro variazioni in base al contesto. Gli autori dimostrano che queste rappresentazioni migliorano significativamente lo stato dell'arte in diversi problemi di PNL, come il question answering e l'analisi del sentiment.

	}}		}}

Mindmakerbot: Creata pagina con "{{template pubblicazione |data=2018 |autori=Matthew E. Peters, Mark Neumann, Mohit Iyyer, Matt Gardner, Christopher Clark, Kenton Lee, Luke Zettlemoyer |URL=https://www.semanticscholar.org/paper/3febb2bed8865945e7fddc99efd791887bb7e14f |topic=Word embedding |citazioni=11008 }} Questo articolo introduce un nuovo tipo di rappresentazione di parole contestualizzate che modella sia le caratteristiche complesse dell'uso delle parole (ad esempio, sintassi e semantica)..."

2024-09-06T10:18:17Z

Creata pagina con "{{template pubblicazione |data=2018 |autori=Matthew E. Peters, Mark Neumann, Mohit Iyyer, Matt Gardner, Christopher Clark, Kenton Lee, Luke Zettlemoyer |URL=https://www.semanticscholar.org/paper/3febb2bed8865945e7fddc99efd791887bb7e14f |topic=Word embedding |citazioni=11008 }} Questo articolo introduce un nuovo tipo di rappresentazione di parole contestualizzate che modella sia le caratteristiche complesse dell'uso delle parole (ad esempio, sintassi e semantica)..."

Nuova pagina

{{template pubblicazione
|data=2018
|autori=Matthew E. Peters, Mark Neumann, Mohit Iyyer, Matt Gardner, Christopher Clark, Kenton Lee, Luke Zettlemoyer
|URL=https://www.semanticscholar.org/paper/3febb2bed8865945e7fddc99efd791887bb7e14f
|topic=Word embedding
|citazioni=11008
}}

Questo articolo introduce un nuovo tipo di rappresentazione di parole contestualizzate che modella sia le caratteristiche complesse dell'uso delle parole (ad esempio, sintassi e semantica), sia il modo in cui questi usi variano a seconda dei contesti linguistici (ovvero, per modellare la polisemia).

I vettori di parole sono funzioni apprese degli stati interni di un modello linguistico bidirezionale profondo (biLM), pre-addestrato su un ampio corpus di testo. Questo approccio consente di ottenere rappresentazioni più ricche e informative rispetto ai tradizionali word embedding statici.

[[Categoria:Pubblicazione]]

{{#seo:
|title=Deep Contextualized Word Representations
|title_mode=append
|keywords=rappresentazioni di parole, word embedding, modelli linguistici, elaborazione del linguaggio naturale, apprendimento profondo, reti neurali, semantica, sintassi, polisemia
|description=Questa pubblicazione presenta un nuovo tipo di rappresentazione di parole contestualizzate, modellando sia le caratteristiche complesse dell'uso delle parole che le loro variazioni in base al contesto linguistico. Questo approccio, basato su un modello linguistico bidirezionale profondo, genera rappresentazioni più ricche rispetto ai tradizionali word embedding statici.

}}

None - Cronologia

Mindmakerbot il 10:20, 6 set 2024