最近同学都在写文章了，都没时间更新博客。今天就来总结一下自己怎么降重的，顺便记录下智能AI软件降重工具怎么用，人际交往不仅是词语及其明确的含义，而且是微妙而复杂的。即使在完全基于文本的对话中，你也可以根据词语选择和标点来判断顾客是否生气，比较实用的降重工具就是AI仿写，仿写后基本不重复。
需要的同学可以自行百度搜 小发猫
你可以在智能AI软件上阅读该产品的评论，并知道评论者是否喜欢它，即使他们从未直接说过。为了让计算机真正理解人类每天交流的方式，他们不仅需要理解词语的客观定义，还需要理解我们的情感。情感分析是通过较小元素的语义组合来解释较大文本单元(实体、描述性术语、事实、论据、故事)的意义的过程。
传统的情感分析方法是将句子视为一个词包，并参考“肯定”和“否定”词的规划列表来确定句子的情感。这需要手动设计的特征来捕捉情绪，所有这些都非常耗时且智能AI软件不可扩展。
现代情感分析的深度学习方法可以应用于形态学、语法和逻辑语义学，其中最有效的是递归神经网络。顾名思义，递归神经网络发展的主要假设是递归是描述语言的自然方式。递归在消除歧义方面非常有用，有助于一些任务引用特定的短语，并且对于使用语法树结构的任务非常有效。
递归神经网络非常适合设置嵌套层次和内部递归结构。语法的语法规则是高度递归的，所以我们使用递归神经网络！使用RNN对句子建模的另一个优点是我们现在可以输入任意长度的句子，这对于神经网络在自然语言处理中的应用来说是一个巨大的问题。尽管句子的长度不相等，但是非常聪明的技术被用来使句子的输入向量具有相同的大小。
标准RNN是递归神经网络最基本的版本。它有一个最大边缘结构预测框架，可以成功地用于复杂的场景图像和句子。它被用来为自然语言句子提供有竞争力的解析器，比如宾州树库。作为参考，宾大树库是第一个大树数据集，由华尔街日报三年来收集的24，799个故事组成。它被广泛用于句法注释。此外，它优于语义场景分割、标注和分类的替代方法。
然而，标准的RNN无法掌握语法短语的完整语法。在句法上解开RNN，也称为分量向量语法(CVG)，是解决这个问题的一个重大升级。它利用递归神经网络的语法展开来学习句子的法语意义和组合向量表示。该模型可以像标准RNN一样快速地训练和实施。
另一个进化是矩阵向量RNN，它可以捕捉较长短语的组成意义。该模型为分析树中的每个节点分配一个向量和一个矩阵：向量用于捕获组件的固有含义，而矩阵捕获它如何改变相邻单词或短语的含义。此外，矩阵向量RNN可以学习命题逻辑和自然语言中运算符的含义。该模型在三个不同的实验中得到了很好的体现：
预测副形容词对的精细情感分布；
电影评论情感标签的分类；
使用它们之间的句法路径来分类名词之间的语义关系(如因果关系)。
迄今为止，最强大的情感分析RNN模型是递归神经张量网络，它在每个节点都有一个神经网络的树形结构。该模型可用于边界分割，以确定哪些短语是肯定的，哪些是否定的。当在情感树库上训练时，该模型在几个指标上优于所有以前的方法。
质量保证系统的思想是直接从文档、对话、在线搜索等地方提取信息，以满足用户的信息需求。质量保证系统不允许用户阅读整个文档，但更喜欢简短的回答。如今，质量保证系统可以很容易地与其他自然语言处理系统相结合，有些质量保证系统甚至超越了对文本文档的搜索，可以从图片集中提取信息。
事实上，大多数自然语言处理问题可以被视为一个问答问题。例子很简单：我们发出一个查询命令，机器提供一个响应。通过阅读文档或一套说明，智能系统应该能够回答各种各样的问题。
强大的深度学习架构(称为动态记忆网络(DMN))是专门为质量保证问题开发和优化的。给定输入序列(知识)和训练问题集，它可以形成图形记忆并使用它们生成相关答案。该体系结构包含以下组件：
语义记忆模块(类似于知识库)用于从输入句子的嵌入单词序列中创建预先训练的手套载体。
输入模块处理与问题相关的输入向量的事实称为事实。该模块由门控环路单元实现。GRU使网络能够知道目前正在考虑的判决与答案是否相关。
问题模块逐词处理问题，并使用输出相同权重的GRU输入模块的向量。事实和问题被编码为嵌入的。
情境记忆模块接收从输入中提取并编码的嵌入事实和问题载体。这使用了一个受大脑海马体启发的想法，海马体可以恢复由某些反应触发的时间状态，如视觉或声音。
答案生成模块通过适当的回答，情景记忆应该包含回答问题所需的所有信息。该模块使用另一个GRU，使用正确序列的交叉熵误差分类进行训练，然后可以将其转换回自然语言。
DMN不仅非常擅长质量保证，而且在情感分析和词性标注方面也优于其他架构。自开发以来，动态存储网络得到了极大的改进，进一步提高了其在问答环境中的准确性，包括：针对
视觉和文本问题的动态存储网络问答应用程序基本上将DM N应用于图像，其内存和输入模块已经升级，能够回答视觉问题。该模型提高了许多基准可视问答数据集的现有技术水平，并且不支持事实监控。
用于问题响应的动态覆盖网络解决了从对应于错误答案的局部最大值恢复的问题。它首先集成了问题和文档的公共依赖表示，以便关注两者的相关部分。然后，潜在答案跨度被动态地指向解码器迭代，这使得模型能够从对应于不正确答案的初始局部最大值恢复。如果您有互联网问题，也可以咨询我，谢谢！如果你也想一起学习人工智能，欢迎留言交流。