- 综合排序
- 最热优先
- 最新优先
- 来自专栏我还不懂对话
Doc Embedding-语义相似度计算
STS基准收集了2012年至2017年国际语义评测SemEval中所有的英语数据。 SICK数据集包含了10000对英语句子，其中的标签说明了它们之间的语义关联和逻辑关系 [SEMEVAL-2012] (http://www.cs.york.ac.uk/semeval-2012/task6 id=data).语义文本相似度视频描述数据集，每个句子对按照含义的关系标注以及两者的蕴含(entailment)关系标注 中文： 蚂蚁金服NLP相似度计算数据集：https://dc.cloud.alipay.com 优于欧几里得距离（梯度消失）、余弦相似度。【回归】 2.以距离为目标，使用LSTM来对复杂的语义建模。 3.使用MaLSTM features输入给SVM来进行分类。 BERT 《BERT》相似度 两个句子之间通过[SEP]分割，[CLS]的向量作为分类的输入，标签是两个句子是否相似。可以作为排序算法。
1.3K10发布于 2021-10-19 - 来自专栏机器学习AI算法工程
NLP推理与语义相似度数据集
/zejunwang1/CSTS 语义相似度 哈工大 LCQMC 数据集 LCQMC 是哈尔滨工业大学在自然语言处理国际顶会 COLING2018 构建的问题语义匹配数据集，其目标是判断两个问题的语义是否相同 AFQMC（Ant Financial Question Matching Corpus）蚂蚁金融语义相似度数据集，用于问题相似度计算。 即：给定客服里用户描述的两句话，用算法来判断是否表示了相同的语义。每一条数据有三个属性，分别是句子1，句子2，句子相似度标签。标签 "1" ：表示两个句子的语义类似；"0"：表示两个句子的语义不同。 非常口语化、存在文本高度相似而语义不同的难例。 每条数据包含三列，分别表示 sentence1、sentence2 和相似等级，相似等级范围为 0~5，5 表示语义一致，0 表示语义不相关。 一架飞机要起飞了。一架飞机正在起飞。
2.2K30编辑于 2022-08-26 - 来自专栏TonyZhou的专栏
深度学习解决 NLP 问题：语义相似度计算
导语 在NLP领域，语义相似度的计算一直是个难题：搜索场景下query和Doc的语义相似度、feeds场景下Doc和Doc的语义相似度、机器翻译场景下A句子和B句子的语义相似度等等。 在召回时，传统的文本相似性如 BM25，无法有效发现语义类 query-Doc 结果对，如"从北京到上海的机票"与"携程网"的相似性、"快递软件"与"菜鸟裹裹"的相似性。 ，并通过 cosine 距离来计算两个语义向量的距离，最终训练出语义相似度模型。 该模型既可以用来预测两个句子的语义相似度，又可以获得某句子的低纬语义向量表达。 2.3 匹配层 Query 和 Doc 的语义相似性可以用这两个语义向量(128 维) 的 cosine 距离来表示： 通过softmax 函数可以把Query 与正样本 Doc 的语义相似性转化为一个后验概率
3.9K60发布于 2017-08-02 - 来自专栏源懒由码
C++11 move 语义
默认的构造函数，就会依次对应赋值，这样就会出现一个问题，如果给起赋值的是一个临时变量 MyTest t = temp，那么，表达式结束以后，temp.d释放掉，t.d就会成为野指针不安全。
77331发布于 2020-10-10 - 来自专栏AI研习社
谷歌 AI：语义文本相似度研究进展
，我们提出了一个新的方法来学习用来计算语义文本相似度的句子表示方法。 在这一工作中，我们的目标是通过一个回答分类任务来学习语义相似度： 给定一轮对话作为输入，我们希望从一批随机选择的回答中挑选出正确的回答。 采用这种方法，训练时间显著减少的同时仍保留了在各种迁移任务上的表现，包括情感与语义相似度分类。 通过 TensorFlow Hub 上的通用句子编码器的输出进行句对语义相似度比较。 正如我们在这篇论文中所表述的，一个版本的通用句子编码器模型使用了深度均值网络（ DAN ）编码器。 这些是预训练的 Tensorflow 模型，可以返回可变长度文本输入的语义编码。 这些编码可用于语义相似性度量，相关性，分类或自然语言文本的聚类。
1.4K30发布于 2018-07-26 - 来自专栏AI科技评论
干货 | 谷歌 AI：语义文本相似度研究进展
，我们提出了一个新的方法来学习用来计算语义文本相似度的句子表示方法。 在这一工作中，我们的目标是通过一个回答分类任务来学习语义相似度： 给定一轮对话作为输入，我们希望从一批随机选择的回答中挑选出正确的回答。 采用这种方法，训练时间显著减少的同时仍保留了在各种迁移任务上的表现，包括情感与语义相似度分类。 通过 TensorFlow Hub 上的通用句子编码器的输出进行句对语义相似度比较。 正如我们在这篇论文中所表述的，一个版本的通用句子编码器模型使用了深度均值网络（ DAN ）编码器。 这些是预训练的 Tensorflow 模型，可以返回可变长度文本输入的语义编码。 这些编码可用于语义相似性度量，相关性，分类或自然语言文本的聚类。
94440发布于 2018-07-27 - 来自专栏大数据智能实战
知识图谱的语义相似度计算框架Sematch实践
Sematch是一个用于知识图谱的语义相似性的开发、评价和应用的集成框架，其代码见github。 Sematch支持对概念、词和实体的语义相似度的计算，并给出得分。 Sematch专注于基于特定知识的语义相似度量，它依赖于分类( 比如 ) 中的结构化知识。 深度、路径长度 ) 和统计信息内容( 语料库与语义图谱) 。 其应用框架如下所示：从图中可见，其支持多样化、多层次的相似度计算。 ? 如其DEMO上可见，支持多样化的相似度计算。 ? 1、测试：词的相似度计算，其结果如图所示：（代码见github） ? 2、概念的相似度计算 ? 附：由于dbpedia国内无法访问，所以一些实体的相似性等目前暂无法测试。
2.3K20发布于 2019-05-27 - 来自专栏作图丫
rrvgo--基于语义相似度简化GO富集结果冗余
今天小编给大家介绍的是一个基于语义相似性识别冗余来减少和可视化GO结果列表的R包rrvgo。 R包安装 BiocManager::install("rrvgo") library(rrvgo) 可视化介绍 01 计算相似度矩阵并减少GO terms rrvgo不关心基因，而是关心 GO terms 第一步是得到terms之间的相似度矩阵。函数calculateSimMatrix 获取要计算语义相似度的GO terms列表、OrgDb 对象、感兴趣的ontology和计算相似度分数的方法。 ，可以根据相似度对terms进行分组。 相似度矩阵热图 将相似性矩阵绘制为热图，默认情况下启用行列聚类 heatmapPlot(simMatrix, reducedTerms, annotateParent
3.4K51编辑于 2022-03-28 - 来自专栏效能提升
语义相似度模型在测试需求变更中的应用
而随着自然语言处理（NLP）与深度学习的发展，语义相似度模型正日益成为应对需求变更挑战的关键利器。 二、什么是语义相似度模型？1. 基本定义语义相似度模型旨在衡量两个文本之间“语义上有多接近”，而非表面关键词是否一致。举例：A: 用户登录时应验证用户名和密码是否匹配。 尽管字面不同，但语义非常接近。传统匹配方法难以判断，而语义模型可以精准捕捉到这种“深层相似性”。2. 主流技术路线模型类型特点TF-IDF/词袋模型快速但仅捕捉词级相似性，语义弱Word2Vec、GloVe词向量级别的语义理解BERT、RoBERTa基于Transformer的预训练语言模型，句子级理解 场景2：辅助用例自动生成与对齐新需求变更后，可基于高相似历史需求-用例对，借助LLM模板+语义检索快速生成草案。
32710编辑于 2025-08-02 - 来自专栏机器之心
前沿 | 通用句子语义编码器，谷歌在语义文本相似性上的探索
语义文本相似度 在「Learning Semantic Textual Similarity from Conversations」这篇论文中，我们引入一种新的方式来学习语义文本相似的句子表示。 直观的说，如果句子的回答分布相似，则它们在语义上是相似的。例如，「你多大了？」以及「你的年龄是多少？」都是关于年龄的问题，可以通过类似的回答，例如「我 20 岁」来回答。相比之下，虽然「你好吗？」 如果句子可以通过相同的答案来回答，那么句子在语义上是相似的。否则，它们在语义上是不同的。 这项工作中，我们希望通过给回答分类的方式学习语义相似性：给定一个对话输入，我们希望从一批随机选择的回复中分类得到正确的答案。 成对语义相似性比较，结果为 TensorFlow Hub 通用句子编码器模型的输出。
1.6K60发布于 2018-06-12 - 来自专栏机器学习AI算法工程
Kaggle文本语义相似度计算Top5解决方案分享
句子相似度计算，即给定客服里用户描述的两句话，用算法来判断是否表示了相同的语义。 句子相似度判定 今年和去年前后相继出现了多个关于句子相似度判定的比赛，即得定两个句子，用算法判断是否表示了相同的语义或者意思。 id=8 问题相似度计算，即给定客服里用户描述的两句话，用算法来判断是否表示了相同的语义。 比较简单的方法就可以判定同义；对于例子b，包含了错别字、同义词、词序变换等问题，两个句子乍一看并不类似，想正确判断比较有挑战；对于例子c，两句> 话很类似，仅仅有一处细微的差别 “如何”和“哪里”，就导致语义不一致 3 CCKS 2018 微众银行智能客服问句匹配大赛 https://biendata.com/competition/CCKS2018_3/leaderboard/ 与基于Quora的的的语义等价判别相同
4.2K20发布于 2019-10-28 - 来自专栏YIN_尹的博客
【C++11】右值引用和移动语义
move是库里面的一个函数，它可以把传入的参数arg转换为右值引用（移动语义） 大家先了解一下，move我们后面还会说。 2. 有些场景下，可能真的需要用右值去引用左值实现移动语义。 当需要用右值引用引用一个左值时，可以通过move函数将左值转化为右值引用。 C++11中，std::move()函数位于头文件中，该函数名字具有迷惑性，它并不搬移任何东西，唯一的功能就是返回参数的右值引用（并不会真正改变参数的属性），然后实现移动语义。 那C++11有了右值引用之后呢？ C++11给STL中的容器都增加了移动构造和移动赋值。
42110编辑于 2024-01-23 - 来自专栏机器学习算法与Python学习
Machine Learning -- 11种相似性度量方法(总结版)
杰卡德距离 & 杰卡德相似系数 10. 相关系数 & 相关距离 11. 信息熵 1. (2)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的曼哈顿距离 ? (2) 两个n维样本点a(x11,x12,…,x1n)和b(x21,x22,…,x2n)的夹角余弦 类似的，对于两个n维样本点a(x11,x12,…,x1n)和b(x21,x22,…,x2n (3) 杰卡德相似系数与杰卡德距离的应用 可将杰卡德相似系数用在衡量样本的相似度上。 样本A与样本B是两个n维向量，而且所有维度的取值都是0或1。 11. 信息熵(Information Entropy) 信息熵并不属于一种相似性度量。那为什么放在这篇文章中啊？这个。。。我也不知道。
7.6K70发布于 2018-04-04 - 来自专栏AI大模型应用开发炼丹房
语义搜索的瓶颈？微调如何解决“相似但不相关”难题
我们都知道文本嵌入模型能将文本表示为具有语义意义的向量，广泛应用于检索、分类、检索增强生成（RAG）等场景。然而，通用嵌入模型在特定领域任务上往往表现不佳，语义相似度不足以确保检索结果真正有用。 一、嵌入模型的基础与挑战文本嵌入模型的核心价值在于其能捕捉文本的语义信息。在RAG系统中，嵌入模型用于三步检索过程：为知识库中的所有项目计算向量表示（即嵌入）。 计算查询向量与知识库项的相似度，返回最相似项目。尽管这一过程灵活高效，但存在根本问题：语义相似并不保证检索项目能有效回答问题。例如，查询“如何更新我的付款方式？” CL的核心思想是学习表示，以最大化正样本对（如相关查询和答案）的相似度，同时最小化负样本对（如不相关配对）的相似度。 例如，在AI招聘中，微调可确保查询“数据科学家经验”匹配到相关职位描述，而非语义相似但不相关的条目。三、微调嵌入模型的五步实践流程微调过程可分为五个关键步骤，每一步需仔细执行以确保效果。
43810编辑于 2025-08-31 - 来自专栏Elastic Stack专栏
Elastic 5分钟教程：使用向量相似性实现语义搜索
图片想知道向量搜索如何帮助您交付您的客户期待已久的搜索体验就像，即使你不知道术语也能找到你想要的东西或搜索非结构化数据，如图像这个视频解释了传统的基于关键字的搜索的局限性以及通过向量搜索实现的语义搜索如何克服它们视频内容电子商务是一个很好的开始用例客户搜索有时不知道他们真正需要什么或者元数据缺失或不正确比方说 只有一些有条纹有些不是蓝色的有些不是T恤此演示中电子商务网站使用传统搜索这依赖于匹配的关键字匹配不良可能是由于文字描述不准确或者你的搜索引擎可能会使用其他因素对结果进行重新排序这就像是购买了哪些产品让我们来看看图像相似性搜索是如何提升这种体验的更上一层楼在这里 ，您可以看到一个原型应用程序，它对产品描述和图像使用向量搜索如您所见，这种语义搜索会产生更多相关匹配你可以通过查找类似的产品来跟进它在幕后采用图像相似性搜索它的最新结果是产生了一系列非常好的匹配让我们来看看这在幕后是如何运作的在这里 查询这是向量这将会找到最近的邻居相对于您的查询现在我们可以获取返回的第一个结果并调出相应的图像在您的数据库中如果你还记得这与一分钟前在互动应用中获取的图片完全相同使用向量搜索用户可以找到他们的意思不仅搜索文本还包括其他非结构化数据，如产品图像语义搜索支持创新应用比如 ，在许多法律文件中发现类似的案件或者从现有时间的数据库中搜索与平面设计师相似的设计我们提到了现有的弹性客户正在处理的两个案例了解更多信息，请单击以下链接之一或报名参加我们的实践工作坊用于向量搜索或机器学习我希望你学到了一些东西在这个视频中谢谢你的关注
2.5K71编辑于 2023-02-08 - 来自专栏C/C++基础
C++11移动语义与右值引用
1.移动语义 C++11新标准中一个最主要的特性就是提供了移动而非拷贝对象的能力。如此做的好处就是，在某些情况下，对象拷贝后就立即被销毁了，此时如果移动而非拷贝对象会大幅提升性能。 但第二次拷贝构造，在C++ 11中就是可以避免的了。 但是，这份免费的午餐也不是无条件就可以获取的，需要带上-std=c++11来编译。 函数名称具有一定迷惑性，实际上std::move并没有移动任何东西，本质上就是一个static_cast<T&&>，它唯一的功能是将一个左值强制转化为右值引用，进而可以使用右值引用使用该值，以用于移动语义 C++11[M].3.3右值引用：移动语义和完美转发 [5]（原创）C++11改进我们的程序之move和完美转发 [6]详解C++11中移动语义(std::move)和完美转发(std::forward
1.3K20发布于 2019-02-22 - 来自专栏可涵的从小白到大牛的征程
C++11 右值引用与移动语义
前言： 我们首先汇总一下在C++11中新的变化： 1、新容器 —— unodered_xxx 2、新接口 cbegin等，无关痛痒 initializer_list系列的构造 push_xxx / insert C++11之前，编译器已经做了不小的努力去减少拷贝。但是并没有从本质上解决问题。 为了真正解决问题就需要我们的右值引用！ 移动构造 string(string&& s) :_str(nullptr) ,_size(0) ,_capacity(0) { cout << "string(string&& s) -- 移动语义 C++11后，所有容器都增加了移动构造和移动赋值 问题：右值不能改变，那怎么转移你的资源呢？ 答： 右值被右值引用后，右值引用的属性是左值，可以被改变，这样资源才能被转移！ 就构成了我们的移动语义！
19210编辑于 2024-10-16 - 来自专栏我的博客
【C++11】右值引用和移动语义
而到了C++11标准，为了支持移动语义和完美转发等新特性，新增加了右值引用（Rvalue Reference）这一重要语法特性，使用"&&"符号表示。 为了区分这两种引用类型，在C++11之后，我们把传统的引用称为左值引用（Lvalue Reference）。 ，C++11还引入了引用折叠规则和通用引用（Universal Reference）的概念，进一步丰富了引用的使用方式。 移动语义的优化机制 // 移动语义优化版本 void processVector(std::vector<BigObject>&& data) { // 直接接管资源所有权 // 时间复杂度 这种分类是为了更好地支持移动语义和完美转发。
34510编辑于 2025-12-22 - 来自专栏C++11
《C++11》移动语义：std::move()函数详解
在C++11中，引入了一种新的语言特性，即移动语义，它为C++编程带来了新的可能性。其中，std::move()函数就是一个常用的工具，它可以将左值强制转换为右值。 std::move()函数std::move()函数是C++11中引入的一个新特性，它可以将左值强制转换为右值。 总结std::move()函数是C++11中的一个重要特性，它可以将左值强制转换为右值，从而实现资源的高效转移。
92310编辑于 2025-01-09 - 来自专栏C/C＋＋、数据结构、算法
C++11：新特性&右值引用&移动语义
一、C++11简介 在2003年C++标准委员会曾经提交了一份技术勘误表(简称TC1)，使得C++03这个名字已经取代了C++98称为C++11之前的最新C++标准名称。 请看下面的右值引用和移动语义章节的讲解。 另外emplace还涉及模板的可变参数， 五、右值引用和移动语义 5.1 区分左值引用和右值引用 传统C++语法就有引用的概念，而在C++11之后新增了一个右值引用的语法特性，在我们区分左值和右值之前 但是有些场景下，可能真的需要用右值去引用左值实现移动语义。当需要用右值引用引用一个左值时，可以通过move函数将左值转化为右值。 C++11中，std::move()函数位于 头文件中，该函数名字具有迷惑性，它并不搬移任何东西，唯一的功能就是将一个左值强制转化为右值引用（只是暂时的），然后实现移动语义。
37310编辑于 2024-12-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号