Semantic Taxonomy Induction
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Stanford University
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 7 July 2006
- Autori
- Rion Snow, Dan Jurafsky, and Andrew Y. Ng
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language Structure Modeling
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 0.1K
- Dati di addestramento
- tokens
The main learning algorithm is a logistic classifier. The input is a matrix M, where the rows are pairs of words, and the columns (variables) are counts of occurrences of synthetic dependency paths between those two words. Since there are on the order of 10~100 different types of syntactic relationships, this is the number of length-1 paths, and thus the number of parameters if only length-1 paths are used. However, if the length of the paths considered is longer (say, 5), then the parameters …
[Classification task] The labeled training set is constructed by labeling the collected feature vectors as positive “known hypernym” or negative “known non-hypernym” examples using WordNet 2.0; 49,922 feature vectors were labeled as positive training examples, and 800,828 noun pairs were labeled as negative training examples. 800,828 + 49,922 = 850750
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Citazioni
- 571
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Semantic Taxonomy Induction from Heterogenous Evidence
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
Semantic Taxonomy Induction è stato pubblicato da Stanford University, nel paese registrato come United States of America, durante July 2006. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language Structure Modeling.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Risposte
Semantic Taxonomy Induction — domande comuni
Semantic Taxonomy Induction— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language Structure Modeling. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Semantic Taxonomy Induction— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Semantic Taxonomy Induction— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
Semantic Taxonomy Induction— quanti parametri ha?
Ha un numero di parametri di 0.1K. The main learning algorithm is a logistic classifier. The input is a matrix M, where the rows are pairs of words, and the columns (variables) are counts of occurrences of synthetic dependency paths between those two words. Since there are on the order of 10~100 different types of syntactic relationships, this is the number of length-1 paths, and thus the number of parameters if only length-1 paths are used. However, if the length of the paths considered is longer (say, 5), then the parameters would be on the order of (10~100)^5. It's not clear to me which is the case. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
Semantic Taxonomy Induction— chi l'ha creato?
È stato pubblicato da Stanford University, basato su United States of America, un'organizzazione categorizzata come academia.
Semantic Taxonomy Induction— quando è stato rilasciato?
È stato pubblicato in July 2006. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.