Решила английский язык выучить так, чтобы свободно на нем разговаривать и понимать, про что нерусские рок-группы поют – выучила.

Зачердачный мир, Владимир Царицын, 2013г.

5

Выучила испанский язык – точнее, попыталась выучить, потому что он мне не нравится.

Спрятанные реки, Анна Матвеева, 2019г.

Найти еще примеры предложений со словом ВЫУЧИТЬ

Что такое синтаксический анализ зависимостей?

Техрим Муштак

Устали от LeetCode? 😩

Изучите 24 шаблона, чтобы решить любой вопрос на собеседовании по кодированию, не заблудившись в лабиринте практических задач в стиле LeetCode. Практикуйте свои навыки в практической среде кодирования, не требующей настройки. 💪

Введение

Обработка естественного языка (NLP) — это междисциплинарная концепция, которая использует синтетический интеллект и основы компьютерной лингвистики, чтобы увидеть, как человеческие языки взаимодействуют с технологиями. Существует много методов, используемых с НЛП, в которых синтаксис и семантика используются для синтаксического анализа. Разбор — это грамматический анализ предложения. Например, если предложение передается в НЛП, синтаксический анализ включает в себя разбиение предложения на части речи, например, существительное, глагол и т. д.

Анализ зависимостей

Анализ зависимостей относится к изучению зависимостей между фразами предложения для определения грамматической структуры предложения. Грамматика зависимостей обеспечивает представление языка в виде графов. Узлы — это слова, а ребра — это зависимости. При этом предполагается, что между каждой языковой единицей в предложении существует прямая связь. Отношения между каждой языковой единицей или фразой в предложении выражаются направленными дугами, называемыми 9.0011 структуры зависимостей .

Структура зависимостей

Структуры зависимостей представляют собой ориентированные графы, которые удовлетворяют следующим ограничениям:

• Они имеют один назначенный корневой узел, который не имеет входящих дуг.
• Каждый узел имеет одно входящее ребро, кроме корневого узла.
• Существует уникальный путь к каждому узлу от корневого узла.

Пример

Пример синтаксического анализа зависимостей

В этом примере мы видим, что можем перейти от оценки корневого слова к любому другому слову в структуре. Если нам нужно перейти от «оценки» к «хорошо», мы перейдем от «оценки» к «оценкам», а затем от «оценок» к «хорошо».

Теги зависимостей

Важным элементом разбора зависимостей является тег зависимости. Тег зависимости указывает на связь между двумя фразами. Это слово, которое изменяет значение другого слова. Если мы посмотрим на приведенный выше пример, слово «интеллектуальный» является прилагательным к слову «студенты». Используемый здесь тег зависимости — amod , , что означает модификатор прилагательного. Начало стрелки представляет родительский элемент, а конец — дочерний или зависимый.

Некоторые общие теги используются для синтаксических отношений между словами. Они описаны ниже:

Часто используемые теги зависимостей

Реализация

Теперь давайте создадим анализатор зависимостей в Python. Анализ зависимостей в Python очень прост и понятен. Нам нужно установить несколько библиотек. Реализация кода для приведенного выше примера приведена ниже:

 
 import spacy 
 
 nlp=spacy.load('en_core_web_sm') 
 
 text='Умные ученики легко получают хорошие оценки.' 
 
 для токена в nlp(text): 
 
 print(token.text,'->',token.dep_,'->',token.head.text) 
 

Разбор зависимостей

Объяснение кода

• Строки 1–2: Мы импортируем библиотеку Python spacy , а затем загружаем конвейер spacy для поддержки английского языка.
• Строка 4: Образец текста на английском языке.
• Строка 6: У нас есть Цикл для каждой лексемы в тексте.
• Строка 7: token.text возвращает токен предложения, token. dep_ возвращает тег зависимости для слова, а token.head.text возвращает соответствующее заглавное слово (к которому стрелка указывает).

СВЯЗАННЫЕ ТЭГИ

nlp

машинное обучение

УЧАСТНИК

Tehreem Mushtaq

Copyright ©2022 Educative, Inc. Все права защищены

Learning context-dependent word embeddings based on dependency parsing

No Access

• Ke Yan, 
• Jie Chen, 
• Wenhao Zhu, 
• Xin Jin and 
• Guannan Hu

Ke Yan

,

Jie Chen

,

Wenhao Zhu

,

Xin Jin

и

Guannan Hu

Опубликовано онлайн: 22 апреля, 2020pp 334-346HTTPS: //doi. org/10.150.150.0003

Abstract

Вложение слов представляет собой основной метод представления текста. Независимо от того, являются ли они входными данными для алгоритма машинного обучения или функциями, используемыми в приложении для обработки естественного языка, встраивания оказались полезными в решении различных задач обработки текста. В текстах на естественном языке контекстная информация оказывает решающее влияние на семантику представления слов. В текущих исследованиях большинство моделей обучения основаны на поверхностной текстовой информации и не полностью используют глубокие отношения в предложениях. Чтобы преодолеть эту проблему, в этой статье предлагается модель непрерывного набора слов на основе зависимостей, которая интегрирует отношения зависимости между словами и предложениями в контекст с весами, тем самым увеличивая влияние конкретной контекстной информации на предсказание целевых слов. Этот метод увеличивает изобилие контекстной информации слова и улучшает семантику встраивания слов. Экспериментальные результаты показывают, что предложенный метод подчеркивает семантические отношения и повышает производительность представления слов.

Keywords