Text-2014-08-21 - 版本历史

2014年8月22日 (五) 00:58 Lr

2014-08-22T00:58:36Z

2014年8月22日 (五) 00:58 Lr

2014-08-22T00:58:15Z

2014年8月22日 (五) 00:57 Lr

2014-08-22T00:57:38Z

Lr：以内容“==GloVe==: 1. 文中所包含的word vector： �a) Skip-gram b) CBOW ==> Both can find in word2vec c) vLBL d) ivLBL ==> Both can find ...”创建新页面

2014-08-22T00:57:13Z

以内容“==GloVe==: 1. 文中所包含的word vector： �a) Skip-gram b) CBOW ==> Both can find in word2vec c) vLBL d) ivLBL ==> Both can find ...”创建新页面

新页面

==GloVe==:
1. 文中所包含的word vector：
�a) Skip-gram
b) CBOW
==> Both can find in word2vec
c) vLBL
d) ivLBL
==> Both can find in the paper Learning word embeddings efﬁciently with noise-contrastive estimation.
e) HPCA
==> which can find in the paper Word Embeddings through Hellinger PCA.
2. 不同的task：
a) Word analogies.
b) Word similarity.
==> 评价集合：WordSim-353、MC、RG、SCWS、RW
c) Named entity recognition.
==> 评价集合：CoNLL-2003, ACE Phase 2，ACE-2003.
3. 需要做的工作:
a) 寻找不同的task
b) 比较各种word vector的性能
捷通反馈：
1. 在仅仅用 Lucene 做 extraction进行算法匹配的情况下，有足够多的模板能够达到85%以上的准确率。
Build Reading List模块

@@ 第20行： / 第20行： @@
 捷通反馈：
 . 在仅仅用 Lucene 做 extraction进行算法匹配的情况下，有足够多的模板能够达到85%以上的准确率。
 Build Reading List模块
 recorded by Chao Xing

@@ 第1行： / 第1行： @@
-==GloVe==:
+GloVe:
 . 文中所包含的word vector：
       a) Skip-gram
@@ 第21行： / 第21行： @@
 . 在仅仅用 Lucene 做 extraction进行算法匹配的情况下，有足够多的模板能够达到85%以上的准确率。
 Build Reading List模块