Abstract无监督学习的词向量的评价通常与下游应用没有很大的关联，本文将提出QVEC的评价方法。 Introduction缺乏标准化的对比方式是因为词向量的每个维度依然是无法解释的，如何去给一个无法解释的表示打分依然是不明确的。 本文通过将distribution word vector和人工标注的word vector对其，然后计算每一维的相关度，相加之后就得到了distribution w
Abstract语义词空间很有用，但是没有办法表达长词组的意思。提出了Recursive Neural Tensor Network，这个模型可以捕捉到否定词的影响。 Introduction现有的模型难以学习组合词语，这是由于缺乏标注好的组合词词库。Stanford Sentiment Treebank是第一个在语法树上带标注的语料库。 Related Work涉及到了五个方面的工作 Sema
散点图我有两组数据，需要不同颜色的点将他们表示在一个二维空间中。12345678910111213#plot trainning curvef1=plt.figure(1)#plot real training datap1=plt.scatter(x_train[:,0]*x_max,y_train*y_max,marker='.',color='b',label='real price')#p
Abstract本文主要是想检测老年痴呆症，因为语义的缺失是一大症状。获得了96.8%的召回率。通过训练随机森林的分类器获得了0.74的F值（二元分类）。并且仅用了12个特征。 IntroductionAD在病情发展的过程中会出现语言的转变，并且这是可以检测得到的。这些变化包括句法复杂度的下降、找词困难和语义内容缺失，信息密度低（有语义的词在所有词中的比例），效率低。 结合上lexicosynta