Upotukset ja kielimallit
11 menetelmää tässä perheessä.
Esittelyssä
Automaattinen tekstin arviointiAutomatic text evaluation is a family of reference-based metrics used to measure the quality of machine-generated text — such as translations, summaries, or natural-language-generaBERT-upotukset – kontekstisidonnaiset tekstiesityksetBERT-based text embeddings, introduced by Devlin and colleagues at Google AI in 2019, turn text into context-sensitive dense vectors using a bidirectional Transformer encoder. BecaKontrastiivinen oppiminen NLP:ssäContrastive learning for NLP is a representation-learning technique — popularised by SimCSE (Gao et al., 2021) and Supervised Contrastive Learning (Khosla et al., 2020) — that traiDoc2Vec – dokumenttien upotuksetDoc2Vec, also known as Paragraph Vector, is a representation-learning method introduced by Le and Mikolov (2014) that maps whole documents to fixed-length dense vectors. These vectSukupuoliharhan havaitseminen luonnollisen kielen käsittelyssä (NLP)Gender bias detection in NLP is a family of statistical and embedding-based methods used to measure stereotyping, representational imbalance, and occupational bias in text corpora GloVe-upotuksetGloVe (Global Vectors for Word Representation) is a static word-embedding model introduced by Pennington, Socher and Manning (2014) that learns word vectors directly from global wo
Lukupolku
Tämän aiheen viitatuimmat perusmenetelmät kehitysjärjestyksessään — hyvä aloituspaikka, jos olet täällä uusi.
Kaikki menetelmät 11
Automaattinen tekstin arviointiBERT-upotukset – kontekstisidonnaiset tekstiesityksetKontrastiivinen oppiminen NLP:ssäDoc2Vec – dokumenttien upotuksetSukupuoliharhan havaitseminen luonnollisen kielen käsittelyssä (NLP)GloVe-upotuksetMonimuotoinen luonnollisen kielen käsittelyN-gram-kielimalliKehotetekniikka – ohjeiden suunnittelu suuria kielimalleja vartenTekstin täydennysWord2Vec