2018 · ACL · What you can cram into a single $&!#* vector-Probing sentence embeddings for linguistic properties

想法来源：实验探索类文章

价值：探索了几个主流模型的embedding究竟学到了什么。

方法：

缺点：

详细方案：

1. 定义了三个大的任务
   • 表层信息：句子长度(Senlen)、包含某词否(WC)
   • 句法信息：调换词位置，是否符合语法(BShift)。判断句子句法树深度(TreeDepth)
   • 语义信息：预测时态（Tense）、主句中主语数量(SubjNum)、宾语数量(ObjNum)、替换句子中的动词名次判断是否modiied(SOMO)。

2.查看模型训练出来的embedding在任务上的表现。

数据集：
自定义数据集

实验：

• 准确率实验

  
  image
• 收敛速度
• -c500