用同義詞的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到附近那裡買和營業時間的推薦產品

你絕對用得上的英文寫作：高級商務.升學.托福多益.求職，全方位生活應用指南

為了解決用同義詞的問題，作者陶維極GBTalovich 這樣論述：

比The Elements of Style更好用 向中式英語說掰掰 你絕對用得上的 全方位生活應用英文寫作 　　學英文那麼多年，還是派不上用場；和國際客戶商務書信石沉大海；寄求職履歷有去無回，有一種可能叫「你的英文用錯表達，沒人懂」。 　　華人英文最大問題，就在「全中式」思考，針對中式英文痛點誕生的全方位英文寫作書，以階段式練習，助你擺脫菜英文。 　　｜6大練習心法擺脫中式英文｜  比native speakers說寫更道地 　　你我不是李白，非一朝一夕就能寫出曠世鉅作，努力再努力之餘，還可透過漸進式階段練習法，來增強功力。 　　簡單刪字句、串組，練寫作組織力；看圖寫作，一個題材寫

多種版本，練出說好故事能力；基礎文法與高階語法雙操作，一出手就能出口成章。 　　｜錯誤示範學道地用語｜　從錯中學各式寫作應用 　　每種語言都有他誕生時空背景，陶維極 G B Talovich中英雙語切換，分享哪些是現代新式慣用語。 　　作者私心透露不只外人會犯錯，連母語英文的專業職人也常犯修飾語病，從錯誤中找到正確用法；不同應用的語法分析，附錄1000超實用單字，練出好語感。 　　｜實用範例與書寫關鍵｜　商務、履歷、推薦信這樣寫最有效 　　商用書信也有宜和忌，條列最母湯的寫法禁忌，教你這樣寫不踩雷，附加提醒申請國外求學，學校教授最愛的自介內容，不是靠5W 1H就能成事，挑選對的字型，成功快

速通關。 本書特色 　　一本專解決華人中式英語問題的英文寫作書！ 　　超過100個時事題庫範例，1000實用字彙，搭配漸進式教學，6大練習心法，收錄商務、履歷、推薦信函實用範例與書寫關鍵，整理新式慣用語法，讓你的英文寫作跟上時代，還能全方位應用不踩雷。 名人推薦 　　學好英文升等菁英一點都不難， 來自BOSS級推薦 　　Tastel Coffee創辦人 / 林世華 　　亞東紀念醫院副院長 / 張至宏醫師 　　芝麻專家 / 陳文南 　　實踐大學董事長 / 謝孟雄博士 　　臺北藝術大學名譽教授 / 鍾明德博士 　　美加文教創辦人 / 叢樹朗 　　安德鏡頭下的世界YouTuber  / Am

edee Fornalique 　　音樂創作人 / Sangpuy桑布伊

用同義詞進入發燒排行的影片

以同反義詞典調整的詞向量對下游自然語言任務影響之實證研究

為了解決用同義詞的問題，作者陳堃澤 這樣論述：

「向量」的概念目前已被廣泛運用在機器學習的領域裡。在自然語言處理領域中，學者將輸入的字詞轉換為「詞向量」，以讓電腦進行方便且有效的模型訓練。而現今學者也致力於研究如何讓詞向量更能表達出符合文本與詞庫中的字詞關係，大致上能將這些訓練方法分為兩類，一是使用文本加上詞庫中的字詞關係同時訓練，另一種則是對現今已存在的詞向量加上字詞關係同時訓練再進行訓練。 本研究的訓練方法屬於第二類，我們透過自注意力機制對現有的詞向量進行調整，使詞向量能學習到詞庫中的同義詞反義詞關係。實驗發現透過自注意力機制訓練出的新的詞向量更符合詞庫中的字詞關係的詞向量，但將此詞向量對下游的自然語言處理任務進行處理時

，卻得到比調整前的詞向量更差的結果。

深度學習搜尋引擎開發：Java實現

為了解決用同義詞的問題，作者（意）托馬索•泰奧菲利 這樣論述：

本書是市面上少見的將搜索與深度學習相結合的書，討論了使用（深度）神經網路來説明建立有效的搜尋引擎的方法。閱讀本書無須具備開發搜尋引擎的背景，也不需要具備有關機器學習或深度學習的預備知識，因為本書將介紹所有相關的基礎知識和實用技巧。   書中研究了搜尋引擎的幾個組成部分，不僅針對它們的工作方式提供了一些見解，還為在不同環境中使用神經網路提供了指導。   讀完本書，你將深入理解搜尋引擎面臨的主要挑戰、這些挑戰的常見解決方法以及深度學習所能提供的幫助。你將清晰地理解幾種深度學習技術以及它們在搜索環境中的適用範圍，並深入瞭解Lucene和Deeplearning4j庫。書中示例代碼用Java編寫。

托馬索·泰奧菲利（Tommaso Teofili） Red Hat公司高級軟體工程師，曾擔任Adobe公司軟體工程師，對開源和人工智慧充滿熱情。他是Apache軟體基金會的成員，參與了許多專案，涉及資訊檢索、自然語言處理和分散式運算等主題。 第一部分 當搜索遇上深度學習 第1章 神經搜索　2 1．1 神經網路及深度學習　3 1．2 什麼是機器學習　5 1．3 深度學習能為搜索做什麼　7 1．4 學習深度學習的路線圖　9 1．5 檢索有用的資訊　10 1．5．1 文本、詞素、詞項和搜索基礎　11 1．5．2 相關性優先　18 1．5．3 經典檢索模型　19

1．5．4 精確率與召回率　20 1．6 未解決的問題　20 1．7 打開搜尋引擎的黑盒子　21 1．8 利用深度學習解決問題　22 1．9 索引與神經元　26 1．10 神經網路訓練　26 1．11 神經搜索的前景　28 1．12 總結　29 第2章 生成同義詞　30 2．1 同義詞擴展介紹　31 2．1．1 為什麼要使用同義詞　32 2．1．2 基於詞彙表的同義詞匹配　33 2．2 語境的重要性　42 2．3 前饋神經網路　43 2．3．1 前饋神經網路如何工作：權重和啟動函數　44 2．3．2 簡述反向傳播　45 2．4 使用word2vec　46 2．4．1 在Deeplearning

4j中設置word2vec　53 2．4．2 基於word2vec的同義詞擴展　54 2．5 評價和比較　57 2．6 用於生產系統時的考慮　58 2．7 總結　61 第二部分 將神經網路用於搜尋引擎 第3章 從純檢索到文本生成　64 3．1 資訊需求與查詢：彌補差距　65 3．1．1 生成可選查詢　65 3．1．2 數據準備　67 3．1．3 生成資料的小結　73 3．2 學習序列　73 3．3 迴圈神經網路　75 3．3．1 迴圈神經網路內部結構和動態　77 3．3．2 長期依賴　80 3．3．3 LSTM網路　81 3．4 用於無監督文本生成的LSTM網路　81 3．5 從無監督文本生

成到監督文本生成　92 3．6 生產系統的考慮因素　95 3．7 總結　96 第4章 更靈敏的查詢建議　97 4．1 生成查詢建議　98 4．1．1 編寫查詢時的建議　98 4．1．2 基於字典的建議演算法　99 4．2 Lucene Lookup API　99 4．3 分析後的建議演算法　102 4．4 使用語言模型　108 4．5 基於內容的建議演算法　111 4．6 神經語言模型　112 4．7 基於字元的神經語言建議模型　114 4．8 調優LSTM 語言模型　117 4．9 使用詞嵌入使建議多樣化　125 4．10 總結　127 第5章 用詞嵌入對搜索結果排序　128 5．1 排序的

重要性　128 5．2 檢索模型　130 5．2．1 TF-IDF與向量空間模型　132 5．2．2 在Lucene中對文檔進行排序　134 5．2．3 概率模型　137 5．3 神經資訊檢索　138 5．4 從單詞到文檔向量　139 5．5 評價和比較　144 5．6 總結　149 第6章 用於排序和推薦的文檔嵌入　150 6．1 從詞嵌入到文檔嵌入　150 6．2 在排序中使用段向量　154 6．3 文檔嵌入及相關內容　157 6．3．1 搜索、推薦和相關內容　157 6．3．2 使用高頻詞項查找相似內容　159 6．3．3 使用段向量檢索相似內容　166 6．3．4 從編碼器-解碼器模型

用向量檢索相似內容　169 6．4 總結　170 第三部分 延伸 第7章 跨語言搜索　172 7．1 為講多種語言的使用者提供服務　172 7．1．1 翻譯文檔與查詢　174 7．1．2 跨語言搜索　175 7．1．3 在Lucene上進行多語言查詢　176 7．2 統計機器翻譯　178 7．2．1 對齊　180 7．2．2 基於短語的翻譯　181 7．3 使用並行語料庫　181 7．4 神經機器翻譯　184 7．4．1 編碼器-解碼器模型　184 7．4．2 DL4J中用於機器翻譯的編碼器-解碼器　187 7．5 多語言的單詞和文檔嵌入　194 7．6 總結　199 第8章 基於內容的圖像

搜索　200 8．1 圖像內容和搜索　201 8．2 回顧：基於文本的圖像檢索　203 8．3 理解圖像　204 8．3．1 圖像表示　206 8．3．2 特徵提取　208 8．4 圖像表示的深度學習　215 8．4．1 卷積神經網路　216 8．4．2 圖像搜索　224 8．4．3 局部敏感散列　228 8．5 處理未標記的圖像　231 8．6 總結　235 第9章 性能一瞥　236 9．1 深度學習的性能與約定　237 9．2 索引和神經元協同工作　251 9．3 使用資料流程　254 9．4 總結　259 展望未來　260

基於自注意力機制產生的無方向性序列編碼器使用同義詞與反義詞資訊調整詞向量

為了解決用同義詞的問題，作者林冠佑 這樣論述：

自從詞向量被廣泛應用在許多自然語言處理任務，且取得不錯的成果後，學者們開始相信詞向量是可以有效學習到詞義資訊的，並開始研究如何提升詞向量的品質。本論文認為詞向量主要是透過上下文資訊進行學習，沒有利用到人類編撰的字詞關係，如：同/反義字，知識圖譜等，且我們推測詞向量在辨別同義詞與反義詞的能力上仍有進步空間，加入從字典中萃取出的知識應能改善，然而，過去相關的研究僅使用pairwise的方法對同義詞與反義詞進行調整，這種方法沒有辦法同時考慮一詞與其所有同義詞和反義詞之間的關係，因此本論文提出了listwise的方法來對詞向量進行調整，提升詞向量的品質。經過實驗，本論文發現採用全局資訊的模型均優於只

採用局部資訊的模型，其中學習分配不同注意力在同義詞和反義詞中不同的詞上，再結合這些資訊調整詞向量的自注意力機制更能有效的利用全局資訊，因此本論文選擇使用自注意力機制做為編碼器，在訓練後使用從字典中萃取出的同義詞與反義詞資訊調整詞向量，提升詞向量的品質。為了更多的提升詞向量的品質，本論文嘗試了正規化、殘差連結、多頭式自注意力機制、更深層的神經網路等方法，並設計實驗說明它們對模型的影響。最後，本論文設計實驗證明經本方法調整後，使用少量文本預訓練的詞向量在同義詞任務中表現可以超越未調整但使用大量文本預訓練的詞向量，並從結果中發現同義詞相較於反義詞在相似度任務上是更有用的資訊，且同義詞和反義詞資訊並不

是越多越好，品質也會影響調整後的結果。