提交 a94d553d 编写于 作者: L LiuYongFeng 提交者: GitHub

Update README.md

上级 76f933ef
......@@ -2,49 +2,64 @@
# models简介
## 词向量
- **介绍:**
狭义上讲,词向量是指把所有文本样本中的每个单词映射到一个向量。比如,对于文本“A B A E B F G”,我们最终得到单词A对应的向量为[0.1 0.6 -0.5],单词B对应的向量为[-0.2 0.9 0.7] 。相对于one-hot表示方式,词向量方式更容易计算单词之间的相似性,表示方式更加紧凑。
广义上讲,词向量也可以应用于普通离散特征,可以充分利用无监督数据,充分捕获特征间的关系,可以有效解决特征稀疏、标签数据缺失、数据噪声等问题。
- **应用领域:**
词向量是自然语言处理中常见的一个操作,是搜索引擎、广告系统、推荐系统等互联网服务背后常见的基础技术。
- **模型配置说明:**
[word_embedding](https://github.com/PaddlePaddle/models/tree/develop/word_embedding) |
## 文本生成
- **介绍:**
文本生成(Sequence to Sequence),是一种时序对映射的过程,实现了深度学习模型在序列问题中的应用,其中比较突出的是机器翻译和机器人问答。
- **应用领域:**
文本生成模型可扩展应用于:机器翻译、智能对话与问答、广告创意语料生成、自动编码(如金融画像编码)等业务领域
- **模型配置说明:**
   [sequence_tagging_for_ner](https://github.com/PaddlePaddle/models/tree/develop/sequence_tagging_for_ner) | [seq2seq](https://github.com/PaddlePaddle/models/tree/develop/seq2seq)
## LTR
- **介绍:**
LTR(learning to rank)是用于解决排序问题的监督学习算法。LTR可分为以下三种:
- Pointwis:将排序问题转化为多类分类问题或者回归问题。对于检索问题,只考虑给定查询下,单个文档的绝对相关度。
- PairWise:排序问题被转化成结果对的 回归 、 分类 或 有序分类 的问题。考虑给定查询下,两个文档之间的相对相关度。
- ListWise:不再将Ranking问题直接形式化为一个分类或者回归问题,考虑给定查询下的文档集合的整体序列。
PaddlePaddle提供的模型是ListWise的一种实现LambdaRank。
- **应用领域:**
LTR最标准的应用场景是搜索排序,包括:图片搜索排序、外卖美食搜索排序、App搜索排序、酒店搜索排序。同时,还可以扩展应用于:关键词推荐排序、各类业务榜单排序、个性化推荐排序等。
- **模型配置说明:**
[LTR](https://github.com/PaddlePaddle/models/tree/develop/ltr) |
## 文本分类
- **介绍:**
通过深度神经网络模型对文本样本进行分类,支持二分类和多分类。模型包含word embedding步骤,用户可直接将原始文本数据作为输入。
- **应用领域:**
文本分类可扩展用于以下业务领域:文章质量评估,色情暴力文章识别,评论情绪识别,广告物料风险控制等。
- **模型配置说明:**
[text_classification](https://github.com/PaddlePaddle/models/tree/develop/text_classification) |
Markdown is supported
0% .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑!
想要评论请 注册