人工智能前沿理論與技術應用叢書 自然語言表示學習：文本語義向量化表示研究與應用
作者： 黃河燕
出版時間：2022年版
內容簡介：
文本語義向量化表示是指將自然語言編碼為計算機可處理的、蘊含語義特征的向量的過程。在人工智能領域中，語義表示學是實現機器理解自然語言的步，是機器處理文本數據和完成各種自然語言處理任務的基礎，其能的優劣直接影響下游任務的效果。因此，語義表示學具有重要的研究意義和實用價值。本文梳理了文本語義向量化表示的基礎理論，詳細介紹了分布式表示方式、融合知識表示方、任務導向的表示方和預訓練語言模型等典型方，并以機器閱讀理解任務為例，介紹了文本語義向量化表示在自然語言處理領域的實際應用。后本文對文本語言向量化表示進行了結和未來研究方向展望。
目錄：
章 緒論
1.1 研究背景及意義
1.2 基本定義及問題描述
第2章 語義表示學的基礎信息
2.1 發展歷史
2.2 實際應用
第3章 分布表示方
3.1 概述
3.2 基于矩陣分解的方
3.3 基于神經網絡的方
3.4 方結與對比
第4章 預訓練語言模型
4.1 elmo模型
4.2 gpt模型
4.3 bert模型
4.4 roberta模型
4.5 xl模型
4.6 方結與對比
第5章 增強關聯模式的語義表示方
5.1 引言
5.2 相關工作
5.3 預備知識
5.3.1 基于上下文信息的語義表示模型
5.3.2 關聯模式挖掘
5.4 增強關聯模式的語義表示模型
5.4.1 基于cbow的apwe模型
5.4.2 基于skip-gram的apwe模型
5.5 實驗
5.5.1 對比方
5.5.2 實驗i：文本分類
5.5.3 實驗ii：查詢詞擴展
5.5.4 參數分析
5.5.5 實例分析
5.6 本章小結
第6章 基于知識的語義向量化表示
6.1 引言
6.2 相關工作
6.2.1 知識庫表示
6.2.2 知識與文本聯合表示
6.3 基于語義結構的語義表示模型
6.3.1 語義結構定義
6.3.2 sense模型
6.4 實驗
6.4.1 對比方
6.4.2 參數設置
6.4.3 任務i：詞相似度測量
6.4.4 任務ii：詞匯類比推理
6.4.5 任務iii：文本分類
6.4.6 任務iv：查詢詞擴展
6.5 本章小結
第7章 文本分類中任務導向的語義表示方
7.1 引言
7.2 相關工作
7.3 任務導向的語義表示模型
7.3.1 語義特征表示
7.3.2 任務特征表示
7.3.3 聯合表示模型及優化
7.4 實驗
7.4.1 數據集
7.4.2 對比方
7.4.3 實驗參數設置
7.4.4 整體評測效果
7.5 實例分析
7.6 本章小結
第8章 文本語義向量化表示在機器閱讀理解任務中的應用
8.1 引言
8.2 機器閱讀理解
8.3 機器閱讀理解基礎方
8.4 多粒度語義匹配的mgrc模型
8.4.1 多粒度語義表示
8.4.2 多粒度語義匹配
8.4.3 聯合模型及其優化
8.5 實驗
8.5.1 數據集
8.5.2 評測指標及對比方
8.5.3 整體能評測
8.5.4 參數分析
8.5.5 模塊有效驗證
8.5.6 實例分析
8.6 本章小結
第9章 結與展望
9.1 本書結
9.2 未來研究方向展望
參文獻
