自然语言处理（NLP） - 前预训练时代的自监督学习

基础
自然语言处理（NLP）
自然语言处理PaddleNLP-词向量应用展示
自然语言处理（NLP）-前预训练时代的自监督学习
自然语言处理PaddleNLP-预训练语言模型及应用
自然语言处理PaddleNLP-文本语义相似度计算（ERNIE-Gram）
自然语言处理PaddleNLP-词法分析技术及其应用
自然语言处理PaddleNLP-快递单信息抽取
理解
自然语言处理PaddleNLP-信息抽取技术及应用
自然语言处理PaddleNLP-基于预训练模型完成实体关系抽取--实践
自然语言处理PaddleNLP-情感分析技术及应用-理论
自然语言处理PaddleNLP-情感分析技术及应用SKEP-实践
问答
自然语言处理PaddleNLP-检索式文本问答-理论
自然语言处理PaddleNLP-结构化数据问答-理论
翻译
自然语言处理PaddleNLP-文本翻译技术及应用-理论
自然语言处理PaddleNLP-机器同传技术及应用-理论
对话
自然语言处理PaddleNLP-任务式对话系统-理论
自然语言处理PaddleNLP-开放域对话系统-理论
产业实践
自然语言处理 Paddle NLP - 预训练模型产业实践课-理论

前预训练时代的自监督学习自回归、自编码预训练的前世

神经网络(Neural Network, NN)

损失函数，度量神经网络的预测结果和真实结果相差多少

• 平方差损失（欧式距离角度）预测概率分部和实际标签概率的欧式距离
• 交叉熵损失（信息量角度）预测概率分部和真实概率分部的差异，指导神经网络学习时，更加稳定
  
  对参数W更新损失的负梯度
  
  One-hot 人为规定，不需要学习，在推荐里有非常多的用处，（可以理解成完全命中）
  
  词向量需要学习，可以很好的泛化结果，泛化性能比 one-hot 更好（可以理解成泛化关系的建模）
  评估模型的好坏：有全体指标，以及一些公开的数据集，去评估词向量的相关性
  

Skip-gram： 给定一个中间值，预测上下文窗口中的一个词


CBoW：给定一个上下文词，预测中间值

RNN 抛开马尔科夫假设，

Self-Attention：每个单词和整句所有话进行匹配，来获取当前单词对每个单词的重视程度，利用这个重视程序，对整句话的每个单词进行加权，加权的结果用于表示当前这个单词

Self-Attention：也是非常流行的 Transformer 的核心模块，
Seft-Attention 没有考虑单词的顺序，所以为了更精装的表示位置信息，需要对句子的输入加个位置的序号 Positional Embedding

残差连接，很好的缓解梯度消失的问题，包括映射和直连接部分

视频教程：
https://aistudio.baidu.com/aistudio/course/introduce/24177?sharedLesson=1451160&sharedType=2&sharedUserId=2631487&ts=1686192078080