@进行中{rios-etal-2018-deep,title=“联合对齐和单词表示的深层生成模型”,author=“里奥斯、米格尔和阿齐兹、威尔克和Sima{'}an,Khalil“,editor=“Walker、Marilyn和纪、恒和阿曼达·斯坦特”,booktitle=“2018年北方会议记录{A} 美国计算语言学协会第1卷(长篇论文)“,月=六月,year=“2018”,address=“路易斯安那州新奥尔良”,publisher=“计算语言学协会”,url=“https://aclantology.org/N18-1092",doi=“10.18653/v1/N18-1092”,pages=“1011--1023”,抽象=“这项工作利用翻译数据作为单词表示模型语义相关学习信号的来源。特别是,我们通过翻译作为分布上下文的形式来利用等价性,并共同学习如何嵌入和对齐深层生成模型。我们的EmbedAlign模型将单词嵌入到其完整观察中通过边缘化潜在的词汇对齐来学习。此外,它嵌入单词作为后验概率密度,而不是点估计,这允许我们使用分布之间的重叠度量(例如KL散度)在上下文中比较单词。我们研究了模型{'}在一系列词汇语义任务中的性能,这些任务在几个标准基准上取得了竞争性结果,包括自然语言推理、释义和文本相似性。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“rios-etal-2018-deep”><标题信息>联合对齐和单词表示的深层生成模型</titleInfo><name type=“personal”>米格尔里奥斯<角色>作者</角色></name><name type=“personal”>威尔克阿齐兹<角色>作者</角色></name><name type=“personal”>哈利勒司马安<角色>作者</角色></name><originInfo>2018-06发布日期</originInfo><typeOfResource>文本</typeOfResource><relatedItem type=“主机”><标题信息>计算语言学协会北美分会2018年会议记录:人类语言技术,第1卷(长篇论文)</titleInfo><name type=“personal”>玛丽莲Walker(沃克)<角色>编辑器</角色></name><name type=“personal”>亨<namePart type=“family”>吉</namePart><角色>编辑器</角色></name><name type=“personal”><namePart type=“given”>阿曼达</namePart>支架<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>路易斯安那州新奥尔良</place></originInfo>会议出版物</relatedItem>这项工作利用翻译数据作为词汇表示模型语义相关学习信号的来源。特别是,我们通过翻译将对等作为一种分布语境形式加以利用,并共同学习如何嵌入深层生成模型并与之保持一致。我们的EmbedAlign模型将单词嵌入到完整的观察上下文中,并通过边缘化潜在的词汇对齐进行学习。此外,它嵌入单词作为后验概率密度,而不是点估计,这允许我们使用分布之间的重叠度量(例如KL散度)在上下文中比较单词。我们研究了我们的模型在一系列词汇语义任务中的性能,这些任务在几个标准基准(包括自然语言推理、释义和文本相似性)上取得了有竞争力的结果</摘要>rios-etal-2018-deep深度<identifier type=“doi”>10.18653/v1/N18-1092</identifier><位置><网址>https://aclantology.org/N18-1092</url></位置><部分>2018-06年<扩展单元=“page”><开始>1011</开始>1023年</范围></部分></mods></modsCollection>
%0会议记录%联合对齐和单词表示的T深度生成模型%米盖尔·里奥斯%威尔克·阿齐兹%哈利勒·A Sima'an%玛丽莲·Y·沃克%Y Ji、Heng%阿曼达·Y·斯坦特%计算语言学协会北美分会2018年会议记录:人类语言技术,第1卷(长篇论文)%2018年D月%6月8日%计算语言学协会%C路易斯安那州新奥尔良%F rios-etal-2018深%这项工作利用翻译数据作为单词表示模型的语义相关学习信号的来源。特别是,我们通过翻译将对等作为一种分布语境形式加以利用,并共同学习如何嵌入深层生成模型并与之保持一致。我们的EmbedAlign模型将单词嵌入到完整的观察上下文中,并通过边缘化潜在的词汇对齐进行学习。此外,它嵌入单词作为后验概率密度,而不是点估计,这允许我们使用分布之间的重叠度量(例如KL散度)在上下文中比较单词。我们研究了我们的模型在一系列词汇语义任务中的性能,这些任务在几个标准基准(包括自然语言推理、释义和文本相似性)上取得了有竞争力的结果。%10.18653/v1/N18-1092兰特%U型https://aclantology.org/N18-1092%U型https://doi.org/10.18653/v1/N18-1092%电话:1011-1023
降价(非正式)
[联合对齐和单词表示的深层生成模型](https://aclantology.org/N18-1092)(Rios等人,NAACL 2018)
国际计算语言学协会
- 米格尔·里奥斯、威尔克·阿齐兹和哈利尔·西马安。2018联合对齐和单词表示的深层生成模型.英寸计算语言学协会北美分会2018年会议记录:人类语言技术,第1卷(长篇论文),第1011-1023页,路易斯安那州新奥尔良市。计算语言学协会。