---恢复内容开始---
分布式表示优势：
在一段文本当中，进行实体抽取：实际是在计算词汇与文档之间的相似度。
自动摘要技术：是在计算句子与文档之间的相似度。
优势2:由表层的数据，关联关系，能够进一步挖掘出数据底层的深层语义，因果关系。
————————————————————————————————————————
NLP的任务：标注、理解、生成。
从多源异构的文本中，依次进行词汇表示、网络表示、知识表示。
其中词汇表示，包括实体、短语、文档、词义、句子的表示。
下面详细讲一讲词汇的表示。
word2Vec 主要包括2个模型
cbow: 知道一个词的前两个词和后两个词，推导出该词。
skip-gram: 知道改词，推导其前后两个词。
分布式词表示学习模型，可以进行词汇相似度的计算。比如，输入China ,计算如下。
词汇表示还可以发现词汇间的隐含关系
词汇表示还可以发现词汇之间的语义层级关系
跨语言词汇联合表示
视觉-文本联合表示
一个有意思的任务：给你一张图，生成该图的一句话的简要描述。image caption generation
词汇语义变迁研究
——————————————————————————————————————————————————————————————
知识表示：
知识表示与关系抽取
- 融合文本与知识进行关系抽取
- 利用关系路径进行关系抽取
- 利用远程监督多实例进行关系抽取
融合文本与知识进行关系抽取
融合实体描述的知识表示
zero-shot场景下的 关系预测
————————————————————————————————————————
利用关系路径进行关系抽取
Path Ranking Algorithm
PTransE:考虑关系路径的TransE
Path based TransE
关系抽取结果
远程监督关系抽取的多实例问题
多监督抽取结果
开源代码
---恢复内容结束---