合并分支 'mengxia' 到 'caorunzhe'

参考文献chapter9

查看合并请求 !227

Chapter9/chapter9.tex

@@ -2307,7 +2307,7 @@ Jobs was the CEO of {\red{\underline{apple}}}.
 
 
 \begin{itemize}
 \begin{itemize}
 \vspace{0.5em}
 \vspace{0.5em}
-\item 端到端学习是神经网络方法的特点之一。这样，系统开发者不需要设计输入和输出的隐含结构，甚至连特征工程都不再需要。但是，另一方面，由于这种端到端学习完全由神经网络自行完成，整个学习过程没有人的先验知识做指导，导致学习的结构和参数很难进行解释。针对这个问题也有很多研究者进行{\small\sffamily\bfseries{可解释机器学习}}\index{可解释机器学习}（Explainable Machine Learning）\index{Explainable Machine Learning}的研究\cite{guidotti2018survey}\cite{koh2017understanding}。对于自然语言处理，方法的可解释性是十分必要的。从另一个角度说，如何使用先验知识改善端到端学习也是很多人关注的方向\cite{arthur2016incorporating}\cite{Zhang2017PriorKI}，比如，如何使用句法知识改善自然语言处理模型\cite{zollmann2006syntax}\cite{charniak2003syntax}\cite{stahlberg2016syntactically}。
+\item 端到端学习是神经网络方法的特点之一。这样，系统开发者不需要设计输入和输出的隐含结构，甚至连特征工程都不再需要。但是，另一方面，由于这种端到端学习完全由神经网络自行完成，整个学习过程没有人的先验知识做指导，导致学习的结构和参数很难进行解释。针对这个问题也有很多研究者进行{\small\sffamily\bfseries{可解释机器学习}}\index{可解释机器学习}（Explainable Machine Learning）\index{Explainable Machine Learning}的研究\cite{guidotti2018survey}\cite{koh2017understanding}。对于自然语言处理，方法的可解释性是十分必要的。从另一个角度说，如何使用先验知识改善端到端学习也是很多人关注的方向\cite{arthur2016incorporating}\cite{zhang-etal-2017-prior}，比如，如何使用句法知识改善自然语言处理模型\cite{DBLP:conf/wmt/ZollmannV06}\cite{charniak2003syntax}\cite{stahlberg2016syntactically}。
 \vspace{0.5em}
 \vspace{0.5em}
 \item {\color{red} 神经语言模型的一些典型工作，可以参考survey：https://arxiv.org/pdf/1906.03591.pdf}
 \item {\color{red} 神经语言模型的一些典型工作，可以参考survey：https://arxiv.org/pdf/1906.03591.pdf}
 \vspace{0.5em}
 \vspace{0.5em}