赞
踩
1.了解NLP与NLU的关系,认识NLP的问题
2.学习语言的表征
3.学习如何将神经信息解码成语言
4.了解语义图谱的内容
只关注NLP与NLU,可以发现:NLU是NLP的深层技术,NLP只是处理语言信息,而NLU是要理解语言信息。而想要让机器理解语言信息,显然,我们只能从人脑的运行机能出发。(这里表明了,无论chatgpt多牛,它终究是NLP的产物,并不能真正理解语言信息。而我们目前依旧没搞懂人脑的运行机制,所以NLU还是一个基础的阶段)
主要是使用脑电图作为脑信息,然后将语言信息作对比。分神经编码和神经解码两种:
(编者语:但是,单看上面这两种方法,不就是将NLP与CV结合起来的结果,并没有做到完全模拟人脑运行的机制,这真的能算NLU吗,反而是神经网络模型模拟出的人脑神经系统更能贴合人脑运行原理)
(1)分布式表示模型对语言的编码与人脑理解语言是否相关?
(2)如果有关,那有什么关系?
(3)如果有关,分布式表示模型是否可以反过来帮助我们去理解人脑如何理解语言?
其中,分布式表示模型指的就是各种NLP模型,其可以得到一个词向量矩阵,所以叫分布式表示。相关的模型有:
整个名字就把这个算法要进行的步骤讲明白了。就探针任务和消融测试两个步骤,你想用神经编码还是神经解码都行。下面是编码的整体流程如下
(1)探针任务:目的是测试NLP模型编码语言学特征的能力。其设计了三种探针任务来测试模型的能力:语义分析、句法分析、形态学分析。3中探针任务都比较
(2)消融实验:(就是总体流程图的下半)其更完整的过程如下:
由于形态学探针任务无法做消融实验,于是对另外两个进行:
消融实验的目的是:
神经解码的任务是如何从脑电图信息获取到语言信息。由于整体的难度很大,于是目前只有一个验证可行性的任务:输入脑电图信息和一个待填空的句子(脑电图是人观察句子时采集的),输出空中应该填写的单词。
具体任务可以描述为:
整体的模型框架图如下:
在使用了脑电图信息后,模型有了一定的提升:
语义图谱研究的是各种词语的互相联系,这种语义图谱网络模拟的人脑对词语的联想关系。想要得到这种联想关系,就需要采集人脑思考单词时的脑电信息等。
(1)图片刺激法
(2)音频刺激法
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。