自然語言處理技術與應用
含有「自然語言處理技術與應用」共 85 篇內容
全部內容
發佈日期由新至舊
ELMo 和 BERT 提供的嵌入與傳統的靜態詞嵌入（如 Word2Vec）的主要區別在於它們是否為上下文相關 (contextual)。
靜態詞嵌入 (Static Embeddings)
代表模型： Word2Vec、GloVe、FastText
主要特點：
單一詞彙，單一向量： 每個詞
ELMo（Embeddings from Language Models）是一種在自然語言處理（NLP）中使用的深度學習詞嵌入模型，於2018年由Allen Institute for AI及華盛頓大學提出。與傳統靜態詞向量（如Word2Vec、GloVe）不同，ELMo產生的是**「上下文相關的詞
困惑度（Perplexity，簡稱PPL）是自然語言處理（NLP）及大型語言模型中常用來衡量模型預測能力的指標。
它的意義在於衡量模型在對一句話或一組語料作預測時的「困惑程度」或「不確定性」：
困惑度越低，表示模型對文本的預測能力越強，能較準確地猜出下一個字詞。 困惑度越高，代表模型在預測時感到
One-Hot Encoding (獨熱編碼)
核心定義
One-Hot Encoding 是一種將類別型資料 (Categorical Data)
轉換為機器學習模型能夠理解的數值格式的過程。它將每個類別都轉換成一個新的二元（0 或
1）特徵欄位。
它的核心思想是：在
本篇將講述近期提出所謂的波坦金理解，以及當前很多使用者對於大語言模型的疑問，因此，以下不會涉及太多術語，而是偏向日常使用者，幫助使用者在使用ChatGPT這類的大語言模型(LLM)，能具備更多的前置了解，更認識大型語言模型工具。
大型語言模型（LLM, Large Language M
聊天機器人（Chatbot）是一種基於程式的軟體應用程式或智慧代理，旨在模擬人類的對話，讓用戶能夠透過文字、語音或其他形式的互動來進行交流。聊天機器人的目標是理解使用者的輸入，並根據預定的規則、知識庫或機器學習模型提供相應的回應或完成特定的任務。
聊天機器人的主要目標：
模擬人類對話：使用者感覺
問答系統（Question Answering，QA）是自然語言處理（NLP）領域的一個重要，指的是一種能夠接收以自然語言提出的問題，並從給定的知識來源（例如文本集合、知識圖譜、資料庫等）中自動查找並提供準確答案的用戶系統。問答系統的目標是讓電腦能夠像與人交流一樣，直接提出問題並獲得簡潔明了的答案，
翻譯（Machine Translation，MT）是自然語言處理（NLP）的一個核心領域，是指利用電腦程式將文字或機器語言從一種自然自動翻譯產生另一種自然語言的過程。其目標是打破語言障礙，實現跨語言的訊息交流。
機器翻譯的目標：
自動化翻譯過程：用電腦取代人工翻譯，提高效率和速度。
保持語意
識別和提取文字資料中表達的情緒、或觀點。目標通常是判斷文本是表達正面（正面）、負面（負面）還是中性（中性）的情緒。
情緒分析的目標：
判斷文本的情感傾向：確定作者或說話者對特定主題、產品、服務、事件或個人的態度是正面的、負面的還是中立的。
提升情緒強度：除了情緒之外，還可以分析情緒的強度，例如
詞性標註（詞性標註，詞性標註）是自然語言處理（NLP）中的一個基礎任務，指的是為文本中的每個詞彙（通常是斷詞後的結果）分配一個對應的詞性標籤（詞性標註）的過程。這些詞性標籤標註了詞性在句子中所扮演的文法角色。
詞性的種類：
不同的詞性標註系統可以使用不同種類和數量的標籤，但常見的詞性包括：
名