深度学习在语义学中的应用
本文介绍了一种新颖的深度学习架构,通过将两个语言语义的神经模型相结合,提供了一个语义分析系统,无需解析即可从自然语言语句和问题中生成本体库特定的查询,使其特别适用于语法错误或句法非典型的文本,例如 Twitter,也允许开发受资源限制的语言的语义解析器。
Apr, 2014
该研究回顾了当前深度学习语言处理网络的主要创新,讨论了一系列研究表明深度网络能够进行微妙的语法依赖性泛化,但也不依赖于系统化的组合规则,这一现象应该引起语言学家和认知科学家的兴趣。
Mar, 2019
人工智能中的大型语言模型和深度神经网络通过学习组合性处理和元学习的方式,展示了复杂的认知行为,为人类认知研究提供了新的视角和可能性。
May, 2024
本文介绍了现代深度神经网络在机器翻译等需要广泛语言技能的工程应用中取得的卓越性能,探讨它们是否从接触的原始数据中引导出类似于人类语法知识的思想,并讨论这些工作对理论语言学的广泛影响。
Apr, 2020
该论文探讨了深度学习在语言学领域中的应用,提出深度学习应该视为具有预测语言表达可接受程度能力的理论,并将其作为补充传统代数方法的工具。
Jun, 2021
通过分析深度线性网络中的非线性动态,我们找到了确切的解决方案,从而解释了语义认知中许多不同现象的普遍性,包括概念的分层差异、语义错觉、项目典型性和类别一致性的出现,以及发展过程中归纳投射模式的变化,以及跨物种的神经表示中语义相似性的保持。
Oct, 2018
本文提出了一种基于 Graph Neural Networks 的新型深度学习方法,以解决如何预测大型演化网络中链接出现的问题,特别地,预测与 AI 相关的主题之间的链接。实验结果表明,使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式,且模型具有较高的预测准确性。
Jan, 2022
本文讨论词的子词分割算法在自然语言处理和机器翻译等任务中的应用。虽然这些算法将单词分为形式上相对含义不明确的子词,然而它们在高效的机器翻译系统中发挥着作用。本文探讨这种算法的语言学和哲学学理基础,并试图使人工智能更透明和可解释。
Oct, 2022