1.通用语言理解评估GLUE

GLUE是一个用于评估通用 NLP 模型的基准，基于在多种不同语言理解任务集上的评估。

 

下面选自《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》：

The General Language Understanding Evaluation(GLUE) benchmark (Wang et al., 2018a) is a collection of diverse natural language understanding tasks. Detailed descriptions of GLUE datasets are included in Appendix B.1.

通用语言理解评估GLUE基准，是一个 多种自然语言理解任务 的集合。GLUE的详细数据集描述见附录B.1.

2.文本蕴含Textual Entailment

Textual Entailment (TE) models take a pair of sentences and predict whether the facts in the first necessarily imply the facts in the second one. 

文本蕴含任务(text entailment)，它的任务形式是：给定一个前提文本（premise），根据这个前提去推断假说文本（hypothesis）与premise的关系，一般分为蕴含关系（entailment）和矛盾关系（contradiction），蕴含关系（entailment）表示从premise中可以推断出hypothesis；矛盾关系（contradiction）即hypothesis与premise矛盾。文本蕴含的结果就是这几个概率值。

参考：

https://blog.csdn.net/u010960155/java/article/details/81335067

https://blog.csdn.net/sparkexpert/java/article/details/79890972

3.序列标注sequence tagging

序列标注是BERT进行Fine-Tuning的情况之一，输入是一个单句，输出是序列标签。

序列标注可以用于：词性标注POS、命名实体识别NER、关系抽取RE

 

基于序列标注的中文依存句法分析方法

4.情感分析sentiment analysis

NLP的任务之一。

5.SWAG(Situations With Adversarial Generations)

给出一个陈述句子和4个备选句子, 判断前者与后者中的哪一个最有逻辑的连续性, 相当于阅读理解问题.

 

 

 

 

 

 

 

参考：

 

 

Remark。