Im Jahr 2005 verwendeten Xie Fang et al. das neuronale Netzwerkmodell von BP und die kontextuellen Informationen, die die Wörter als uneindeutig einrechneten. Im Jahr 2014 schlug Zhang eine kontextssemantische Beziehung vor, die auf WordNets vorhandener Wortbedeutungsstruktur und Wortbedeutungspaaren basiert, die dann durch semantische Auswahl verunstaltet werden. Im Jahr 2016 führte Zhang Guoqing eine geführte Methode der Disambiguation mit hilfe neuronaler Netze durch und führte auch die ungelenkte Methode der Disambiguation mit Hownet Yiyuan homogenen Frequenzinformationen ein. Im Jahr 2016 führten Zhang Chunxiang und andere semantische Informationen in das Modell des Wortes ein, das Disambiguation bedeutet. In chinesischen Sätzen werden die linken und rechten Vokabeleinheiten als Mittelpunkt positioniert, und die reale semantische Semantik des mehrdeutigen Vokabulars wird vom Bayesschen Modell anhand der semantischen Kategorien linker und rechter Vokabeleinheiten beurteilt. Mit dem Aufkommen neuronaler Netze werden neuronale Netzwerke auch in der natürlichen Sprachverarbeitung weit verbreitet. Bengio und andere verwenden die Wörter im Satz als Eingabe des neuronalen Netzwerks und die Ausgabe des neuronalen Netzwerks, und verwenden den Gedanken- und Neuronalnetzwerk-Reverse-Propagationsalgorithmus des Sprachmodells, um den Wortvektor zu lernen, was die Trainingszeit erheblich verkürzt. In Kombination mit Matrixzerlegung und Kontextfenster können mehr statistische Informationen genutzt werden, je vorteilhafter die Korporen, desto mehr enthält der durch Deep Learning erhaltene Wortvektor eine große Menge an semantischen Informationen, ob diese semantischen Informationen verwendet werden können und wie man sie im Bereich der Wortentmystik verwendet, ist das neueste Problem geworden.
正在翻译中..