【文本表徵】2018年自然語言理解最火的三種方法

衆所皆知的分佈式詞向量方法CBOM, skip-gram, Glove等已經成爲NLP任務的標配，但致命的缺點是無法區別同一個詞在不同語境下的含義，如「bank"無論是銀行還是河岸的意思，詞向量都是同一個，讓人腦殼疼。本文要介紹的是2018年很火的三個方法：Elmo, GPT, BERT。它們能夠處理多義詞、反應不同的語境，從而更好地理解自然語言，並且在下游NLP任務中有突出表現。 1 ELMO

>>阅读原文<<