一、Word Embedding

1.Word2Vec（2013）

分布式假设：假设两个词上下文相似，则它们的语义也相似。

2.GloVe

二、RNN改进和扩展

问题：词向量不考虑上下文，无法解决“一词多义”

解决方案：RNN具有“记忆”能力

1.RNN

RNN的问题：顺序依赖，无法并行。（单向信息流）

2.LSTM/GRU

2.1 LSTM

2.2 GRU

3.Seq2Seq

可用于翻译、摘要、问答和对话系统

问题：定长的context向量

3.Attention/Self Attention

三、Contextual Word Embedding

问题：监督数据量不足，难以学到复杂的上下文表示；

解决方案：无监督的contextual word embedding：ELMo、OpenAI GPT、BERT

1.ELMo

2.OpenAI GPT

3.BERT

Deep Learning 在NLP领域的发展

原文：https://www.cnblogs.com/nxf-rabbit75/p/11626806.html