Mô hình ngôn ngữ

Một mô hình ngôn ngữ là mô hình xác suất của một ngôn ngữ tự nhiên[1] có thể tạo ra xác suất của một chuỗi từ, dựa trên ngữ liệu văn bản trong một hoặc nhiều ngôn ngữ mà nó được đào tạo. Năm 1980, mô hình ngôn ngữ thống kê đầu tiên được đề xuất, và trong suốt thập kỷ IBM thực hiện các thử nghiệm theo phong cách 'Shannon', trong đó nhận diện các nguồn tiềm năng để cải thiện mô hình ngôn ngữ thông qua việc quan sát và phân tích khả năng của con người trong việc dự đoán hoặc sửa chữa văn bản.[2]

Mô hình ngôn ngữ hữu ích cho nhiều tác vụ, bao gồm nhận dạng tiếng nói[3] (giúp ngăn chặn dự đoán chuỗi có xác suất thấp (ví dụ: chuỗi không có ý nghĩa)), dịch tự động,[4] sinh ngôn ngữ tự nhiên, nhận dạng ký tự quang học, nhận dạng chữ viết tay,[5]truy hồi thông tin.[6][7]

Mô hình ngôn ngữ, hiện tại là hình thức tiên tiến nhất, kết hợp giữa các bộ dữ liệu lớn hơn (thường sử dụng dữ liệu từ internet công khai), mạng thần kinh truyền thẳng, và transformer. Chúng đã thay thế các mô hình dựa trên mạng thần kinh hồi quy, trước đó đã thay thế các mô hình thống kê thuần túy, như mô hình N-gram.

Chú thích

[sửa | sửa mã nguồn]
  1. ^ Jurafsky, Dan; Martin, James H. (2021). “N-gram Language Models”. Speech and Language Processing (ấn bản thứ 3). Lưu trữ bản gốc ngày 22 tháng 5 năm 2022. Truy cập ngày 24 tháng 5 năm 2022.
  2. ^ Rosenfeld, Ronald (2000). “Two decades of statistical language modeling: Where do we go from here?”. Proceedings of the IEEE. 88 (8).
  3. ^ Kuhn, Roland, and Renato De Mori (1990). "A cache-based natural language model for speech recognition". IEEE transactions on pattern analysis and machine intelligence 12.6: 570–583.
  4. ^ Andreas, Jacob, Andreas Vlachos, and Stephen Clark (2013). "Semantic parsing as machine translation" Lưu trữ 15 tháng 8 năm 2020 tại Wayback Machine. Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers).
  5. ^ Pham, Vu, et al (2014). "Dropout improves recurrent neural networks for handwriting recognition" Lưu trữ 11 tháng 11 năm 2020 tại Wayback Machine. 14th International Conference on Frontiers in Handwriting Recognition. IEEE.
  6. ^ Ponte, Jay M.; Croft, W. Bruce (1998). A language modeling approach to information retrieval. Proceedings of the 21st ACM SIGIR Conference. Melbourne, Australia: ACM. tr. 275–281. doi:10.1145/290941.291008.
  7. ^ Hiemstra, Djoerd (1998). A linguistically motivated probabilistically model of information retrieval. Proceedings of the 2nd European conference on Research and Advanced Technology for Digital Libraries. LNCS, Springer. tr. 569–584. doi:10.1007/3-540-49653-X_34.
Chúng tôi bán
Bài viết liên quan
Kỹ thuật Feynman có thể giúp bạn nhớ mọi thứ mình đã đọc
Kỹ thuật Feynman có thể giúp bạn nhớ mọi thứ mình đã đọc
Nhà vật lý đoạt giải Nobel Richard Feynman (1918–1988) là một chuyên gia ghi nhớ những gì ông đã đọc
Nhân vật Kasumi Miwa -  Jujutsu Kaisen
Nhân vật Kasumi Miwa - Jujutsu Kaisen
Kasumi Miwa (Miwa Kasumi?) Là một nhân vật trong bộ truyện Jujutsu Kaisen, cô là học sinh năm hai tại trường trung học Jujutsu Kyoto.
Chiori – Lối chơi, hướng build và đội hình
Chiori – Lối chơi, hướng build và đội hình
Như ta sẽ thấy, Chiori là nhân vật scale song song def và att. Mặc dù base att của cô cũng khá cao (top 11)
Bạn có thực sự thích hợp để trở thành người viết nội dung?
Bạn có thực sự thích hợp để trở thành người viết nội dung?
Đã từng bao giờ bạn cảm thấy mình đang chậm phát triển trong nghề content dù đã làm nó đến vài ba năm?