自然语言处理中的深度学习:方法及应用
2020-11-28
科技传播 2020年21期
自然语言处理技术又称为NLP 技术,是信息技术的发展前沿,能够实现人机交互。深度学习是帮助机器进行自主学习的重要方式,是机器学习算法的总称。目前,深度学习已经有了长足的发展,被广泛应用在自然语言处理、遥感影像翻译等多个领域中,在自然语言处理方面主要集中在分词识别、句法分析、语言分析、智能问答等方面,大大提升语言处理效率。通过利用深度学习,能够提高对抽象化文本的翻译能力,厘清文本间的关系,还能将相关的学习方法和结论储存到语料库中,提升NLP技术的判别能力和特征自学能力。
1 深度学习概述
1.1 深度结构
深度学习模型结构需要具有3 层以上的隐层节点,甚至会高达十几层[1]。与传统的浅层学习模式相比,多层学习模式呈现非线性映射结构,可以完成更加复杂的函数计算。深度学习需要基于特征学习,需要通过非监督式预训练算法来根据原始样本进行逐层变化,映射出一个新的特征空间。另外,还可以通过生成性训练方法来避免由于网络函数过强而导致的过拟合问题。深度学习代表着需要经过多个节点进行计算,并将经过节点后的结算结果作为下一次节点的输入数据,然后进行逐层计算。
1.2 应用动机
利用深度学习方式需要通过特征来处理问题,因此需要将采用特征当成是应用前提。举个例子,在进行文本分类时,需要通过经常用词的方式进行集合,然后将集合特征用来指代文本,接着在使用不同的分类算法进行文本分类。……
登录APP查看全文
