Hierarchical Neural Language Models for Joint Representation of Streaming Documents and their Content
Yahoo Labs(雅虎实验室);University of Southern California(南加州大学)
我们考虑的问题,学习分布式表示的文件数据流。这些文档被表示为低维向量,并使用具有两个嵌入式神经语言模型的分层框架与单词标记的分布式向量表示联合学习。特别是,我们利用流中的文档的上下文,并使用其中一个语言模型来建模文档序列,另一个模型中的单词序列。模型学习单词标记和文档的连续向量表示,使得语义相似的文档和单词在公共向量空间中接近。我们讨论扩展我们的模型,它可以被应用到个性化推荐和社会关系挖掘,通过添加进一步的用户层的层次结构,从而学习用户特定的向量来表示个人偏好。我们在MovieLens的公共电影评级数据集上验证了所学习的表示,以及在雅虎服务器上收集的包括三个月用户活动日志的大规模雅虎新闻数据上验证了所学习的表示。结果表明,该模型可以学习文档和单词标记的有用表示,性能大大优于当前最先进的。
2016-06-28 cs.CL cs.IR
Bilingual Distributed Word Representations from Document-Aligned Comparable Data
University of Cambridge(剑桥大学);KU Leuven(鲁汶大学)
我们提出了一个新的模型学习双语单词表示非平行文档对齐的数据。在单词表示学习的最新进展之后,我们的模型学习密集的实值单词向量,即双语词嵌入(BWE)。不像以前的工作在很大程度上依赖于平行的文档对齐语料库和/或现成的翻译资源,如字典,诱导BWE的文章揭示,BWE可以学习的基础上,完全文档对齐的可比数据,没有任何额外的词汇资源,也没有句法信息。我们提出了一个比较我们的方法与以前的国家的最先进的模型,学习双语单词表示的可比数据,依赖于多语言概率主题建模(MuPTM)的框架,以及与分布式本地上下文计数模型。我们在两个语义任务中展示了诱导BWE的效用:(1)双语词典提取,(2)在上下文中为多义词建议词翻译。我们简单而有效的基于BWE的模型从可比数据以及先前的基于BWE的模型中显著优于基于MuPTM和上下文计数的表示模型,并在所有三种测试语言对的两项任务上获得最佳报告结果。
2016-02-28 cs.CL
Inverting Multi-Vector Visual Document Indices
Aalto University(阿尔托大学)
针对多向量视觉文档检索器,提出从存储索引反演原始页面的攻击方法,在ViDoRe v3上恢复47%单词,并验证了池化与打乱等防护措施的局限性。
2026-10-08 cs.CL cs.CV cs.IR
Unity in Diversity: Learning Distributed Heterogeneous Sentence Representation for Extractive Summarization
IIIT Hyderabad(印度海得拉巴国际信息技术学院);Microsoft(微软)
多文档自动摘要是自然语言理解领域的一个研究热点。这样的提取机制以某种形式计算要被包括到摘要中的句子的价值。虽然传统的方法依赖于人工制作的文档独立的功能来生成摘要,我们开发了一个数据驱动的新的摘要系统称为HNet,它利用各种语义和成分方面潜在的一句话来捕捉文档独立的功能。该网络以一种方式学习句子表示,即显著句子在向量空间中比非显著句子更接近。然后将此语义和组成特征向量与文档相关特征连接起来,以进行句子排名。在DUC基准数据集(DUC-2001,DUC-2002和DUC-2004)上的实验表明,与最先进的基线相比,我们的模型在ROUGE得分方面显示出约1.5-2点的显着性能增益。
2019-12-25 cs.CL cs.IR cs.LG
Mixing Dirichlet Topic Models and Word Embeddings to Make lda2vec
Stitch Fix(Stitch Fix公司)
分布式密集词向量已被证明是有效的,在捕捉语言中的标记级语义和句法的语义,而主题模型可以形成可解释的表示在文档。在这项工作中,我们描述了lda2vec,一个模型,学习密集的词向量与Dirichlet分布的潜在文档级混合的主题向量。与连续密集的文档表示相反,该公式通过非负单纯形约束产生稀疏的、可解释的文档混合物。我们的方法很容易融入现有的自动微分框架,并允许无监督的文档表示面向科学家使用,同时学习词向量和它们之间的线性关系。
2016-05-06 cs.CL
Semantic Word Clouds with Background Corpus Normalization and t-distributed Stochastic Neighbor Embedding
Heidelberg University(海德堡大学);LMU Munich(慕尼黑大学)
许多单词云不提供单词放置的语义,而是使用仅出于美学目的而优化的随机布局。我们提出了一种新的方法来模型的词的重要性和词的亲和力在一个文件中,并在一个大型的背景语料库相比。我们证明了它的有用性,生成更有意义的词云作为一个给定的文档的视觉摘要。然后,我们根据关键词的重要性选择关键词,并根据派生的亲和力构建词云。基于修改的t分布随机邻居嵌入(t-SNE),我们生成语义词放置。对于共现显着的话,我们包括边缘,并根据它们的共现聚类的话。为此,我们设计了一个可扩展的和内存高效的基于草图的方法,可用于商品硬件聚合所需的语料库统计数据进行规范化,并确定关键字以及显着的cooccupancy。我们经验验证我们的方法使用大型维基百科语料库。
2017-08-11 cs.CL cs.IR
Recurrent Neural Network Language Model Adaptation Derived Document Vector
HKUST(香港科技大学)
在许多自然语言处理(NLP)任务中,通常使用词频-逆文档频率(TF-IDF)向量将文档建模为词袋。基于频率的TF-IDF特征向量的一个主要缺点是它忽略了文档中单词之间的语法和语义关系的词序,并且它们在某些NLP任务中可能很重要,例如体裁分类。本文提出了一种新的分布式矢量表示的文件:一个简单的递归神经网络语言模型(RNN-LM)或长短期记忆RNN语言模型(LSTM-LM)首先创建的所有文件在一个任务中的LM参数,然后适应每个文件,和适应的参数向量化表示的文件。新的文档向量分别标记为DV-RNN和DV-LSTM。我们相信,我们的新的文档向量可以捕捉到一些高层次的顺序信息的文档,其他当前的文档表示无法捕捉。新的文档向量进行了评估,在体裁分类的文件在三个语料库:布朗语料库,BNC婴儿语料库和人工创建的Penn Treebank数据集。将它们的分类性能与TF-IDF向量和最新的段落向量分布式记忆模型(PV-DM)的分类性能进行了比较。结果表明,在大多数情况下,DV-LSTM的性能明显优于TF-IDF和PV-DM,并且所提出的文档向量与TF-IDF或PV-DM的组合可以进一步提高性能。
2016-11-01 cs.CL
Class Vectors: Embedding representation of Document Classes
Enixta Innovations(Enixta创新公司)
作为高维数据中的语义嵌入的单词和段落的分布式表示被用于许多自然语言理解任务,例如检索、翻译和分类。在这项工作中,我们提出了“类向量”--一个用于在与单词和段落嵌入相同的嵌入空间中学习每个类的向量的框架。这些类向量和词向量之间的相似性被用作将文档分类到类的特征。在对几个情感分析任务(如Yelp评论和Amazon电子产品评论)的实验中,类向量在学习非常有意义的类嵌入时显示出更好或相当的分类结果。
2015-08-02 cs.CL cs.IR
Improving Multi-Document Summarization via Text Classification
The Hong Kong Polytechnic University(香港理工大学);Hong Kong Polytechnic University Shenzhen Research Institute(香港理工大学深圳研究院);Peking University(北京大学);Microsoft Research(微软研究院)
由于缺乏足够的训练数据和文档种类的多样性,多文档自动文摘技术发展至今已达到瓶颈。文本分类正好弥补了这些不足。在本文中,我们提出了一种新的摘要系统称为TCSUM,它利用丰富的文本分类数据,以提高多文档摘要的性能。TCSum将文档投影到分布式表示上,作为文本分类和摘要之间的桥梁。它还利用分类结果来生成不同风格的摘要。在DUC通用多文档摘要数据集上进行的大量实验表明,TCSum可以在不使用任何手工特征的情况下实现最先进的性能,并且能够捕捉不同文本类别的摘要风格的变化。
2016-11-28 cs.CL cs.IR
Compressibility of Distributed Document Representations
Jožef Stefan Institute(约热夫·斯泰凡研究所);Jožef Stefan International Postgraduate School(约热夫·斯泰凡国际研究生学院)
当代自然语言处理(NLP)围绕着从潜在文档表示中学习,这些文档表示由神经语言模型隐式生成,或由doc2vec等方法显式生成。所获得的表示的关键属性之一是它们的维数。虽然普遍采用的256和768维度在许多任务上提供了足够的性能,但很多时候不清楚默认维度是否是后续下游学习任务的最合适选择。此外,由于计算约束,表示维度很少受到超参数调整。本文的目的是证明,一个令人惊讶的简单和高效的递归压缩过程可以是足够的显着压缩的初始表示,但也有可能提高其性能时,考虑到文本分类的任务。在部署过程中,具有更小和更少噪声的表示是所需的属性,因为数量级更小的模型可以显着降低计算过载,从而降低部署成本。我们提出了Core,一个简单的,表示学习者不可知的框架,适用于表示压缩。核心的表现是展示和研究的17个现实生活中的语料库,从生物医学,新闻,社交媒体和文学领域的集合。我们探讨了Core在考虑上下文和非上下文文档表示、不同压缩级别和9种不同压缩算法时的行为。基于超过100,000个压缩实验的当前结果表明,递归奇异值分解在压缩效率和性能之间提供了非常好的权衡,使得CoRe在许多现有的表示依赖的NLP管道中非常有用。
2021-10-14 cs.AI cs.CL cs.LG
Multilingual Models for Compositional Distributed Semantics
University of Oxford(牛津大学)
我们提出了一种新的技术,学习语义表示,扩展的分布假设,多语言数据和联合空间嵌入。我们的模型利用并行数据,并学习强烈对齐语义等价句子的嵌入,同时在不同句子之间保持足够的距离。该模型不依赖于单词对齐或任何句法信息,并成功地应用于许多不同的语言。我们也扩展了我们的方法来学习文档级别的语义表示。我们评估这些模型的两个跨语言的文档分类任务,优于现有的最先进的状态。通过定性分析和研究的旋转效应,我们证明,我们的表示是语义上合理的,可以捕捉语义关系,跨语言,而无需并行数据。
2014-04-17 cs.CL
Semantic Regularities in Document Representations
Institute of Computing Technology(计算技术研究所);Chinese Academy of Sciences(中国科学院)
近年来的研究表明,分布式词表示能够很好地捕捉语言中的语义信息。这允许基于单词之间的简单线性代数的面向向量的推理。由于已经提出了许多不同的方法来学习文档表示,很自然地会问,在这些学习的表示中是否也有线性结构,以允许在文档级别进行类似的推理。为了回答这个问题,我们设计了一个新的文档类比任务来测试文档表示中的语义相似性,并对几种最先进的文档表示模型进行了实证评估。结果表明,基于神经嵌入的文档表示在这个类比任务上比传统方法更好,我们对这些观察结果提供了一些初步的解释。
2016-03-24 cs.CL
Topic2Vec: Learning Distributed Representations of Topics
Nanjing University(南京大学)
潜在狄利克雷分配(LDA)挖掘文档主题结构在自然语言处理和机器学习领域有着重要的应用。然而,LDA的概率分布仅描述了语料库中出现的统计关系,并且通常在实践中,概率不是特征表示的最佳选择。最近,已经提出了通过学习基本概念和表示来表示单词和文档的嵌入方法,例如Word2Vec和Doc2Vec。嵌入式表示在许多任务中表现出比LDA风格表示更有效的效果。在本文中,我们提出了Topic2Vec方法,它可以学习主题表示在相同的语义向量空间的话,作为一种替代概率。实验结果表明,Topic2Vec取得了有趣和有意义的结果。
2015-06-28 cs.CL cs.LG
KeyVec: Key-semantics Preserving Document Representations
Microsoft Research(微软研究院)
先前的研究已经证明了词嵌入在各种应用中的经验成功。在本文中,我们研究的问题,学习分布式表示的文本文件,许多机器学习算法作为输入的一些NLP任务。我们提出了一个神经网络模型,KeyVec,学习文档表示的目标是保持输入文本的关键语义。它使学习到的低维向量能够保留来自文档的主题和重要信息,这些主题和信息将流向下游任务。我们的实证评估表明,在两个不同的文档理解任务的KeyVec表示的优良品质。
2017-09-27 cs.CL cs.LG cs.NE
DocTag2Vec: An Embedding Based Multi-label Learning Approach for Document Tagging
Yahoo Research(雅虎研究院);Airbnb(爱彼迎);University of Minnesota-Twin Cities(明尼苏达大学双城分校)
在这项工作中,用预定义的标签集合中的相关标签来标记新闻文章或博客文章被称为文档标记。文章的准确标记可以有益于若干下游应用,例如推荐和搜索。在这项工作中,我们提出了一种新颖而简单的方法,称为DocTag 2 Vec来完成这项任务。我们大大扩展了Word 2 Vec和Doc 2 Vec-两个流行的模型,用于学习单词和文档的分布式表示。在DocTag 2 Vec中,我们在训练过程中同时学习单词、文档和标签在联合向量空间中的表示,并采用简单的$k$ -最近邻搜索来预测未见过文档的标签。与以前的多标签学习方法相比,DocTag 2 Vec直接处理原始文本而不是提供的特征向量,此外,还具有标签表示学习和处理新创建标签的能力等优点。为了证明我们的方法的有效性,我们在几个数据集上进行了实验,并对最先进的方法显示了有希望的结果。
2017-07-14 cs.CL cs.IR
A Multiplicative Model for Learning Distributed Text-Based Attribute Representations
University of Toronto(多伦多大学);Canadian Institute for Advanced Research(加拿大高等研究院)
在本文中,我们提出了一个通用的框架,学习分布式表示的属性:文本的特点,其表示可以共同学习与词嵌入。属性可以对应于文档指示符(学习句子向量),语言指示符(学习分布式语言表示),元数据和辅助信息(如博客作者的年龄,性别和行业)或作者的表示。我们描述了一个三阶模型,其中单词上下文和属性向量成倍地相互作用,以预测序列中的下一个单词。这就引出了条件词相似性的概念:当条件词的属性不同时,词的含义是如何变化的。我们进行了几个实验任务,包括情感分类,跨语言文档分类,和博客作者归属。我们还定性评估条件词邻居和属性条件文本生成。
2014-06-10 cs.CL cs.LG
Effective Distributed Representations for Academic Expert Search
University of Amsterdam(阿姆斯特丹大学);Zeta Alpha Vector(泽塔阿尔法向量公司)
专家搜索旨在根据用户的查询查找专家并对其进行排名。在学术界,检索专家是浏览大量学术知识的有效方法。在这里,我们研究如何不同的分布式表示的学术论文(即嵌入)影响学术专家检索。我们使用Microsoft Academic Graph数据集,并对以文档为中心的投票模型的不同配置进行了实验。特别是,我们探讨了使用上下文嵌入对搜索性能的影响。我们还介绍了通过改造纳入引用信息的论文嵌入的结果。此外,实验进行了使用不同的技术分配作者的权重的基础上,作者顺序。我们观察到,使用上下文嵌入由一个Transformer模型训练句子相似性任务产生最有效的文件表示为中心的专家检索。然而,改造论文嵌入和使用精心设计的作者贡献加权策略并没有提高检索性能。
2020-10-16 cs.AI cs.CL cs.IR
Improve Document Embedding for Text Categorization Through Deep Siamese Neural Network
Data Science Institute, University of Virginia(弗吉尼亚大学数据科学研究所)
由于互联网上的数据量不断增加,找到一个高信息量,低维的文本表示是有效的自然语言处理任务,包括文本分类的主要挑战之一。这种表示应该捕获文本的语义信息,同时保留它们的相关性级别用于文档分类。该方法将具有相似主题的文档映射到向量空间表示中的相似空间。为了获得大文本的表示,我们提出了利用深连体神经网络。为了在分布式表示中嵌入主题中的文档相关性,我们使用连体神经网络来共同学习文档表示。我们的连体网络由两个多层感知器的子网络组成。我们检查我们的表示为文本分类任务的BBC新闻数据集。结果表明,所提出的表示优于传统的和国家的最先进的表示在文本分类任务在这个数据集上。
2020-05-31 cs.CL cs.IR cs.LG
Sentence-Level Sentiment Analysis of Financial News Using Distributed Text Representations and Multi-Instance Learning
University of Freiburg(弗莱堡大学);University of Oxford(牛津大学)
研究人员和金融专业人士需要强大的计算机化工具,使用户能够快速操作和评估金融新闻中的语义文本内容。然而,现有的方法通常在文档级别工作,而对单个句子的实际结构和情感的更深层次的洞察仍然模糊不清。因此,投资者需要投入最大的注意力和详细的特定领域知识,以便在细粒度的基础上评估信息。为了方便这个手动过程中,本文提出了使用分布式文本表示和多实例学习的信息从文档级传输到文件级。与其他方法相比,该方法具有优越的预测性能,同时保留上下文和可解释性。我们对手动标记数据集的分析产生了高达69.90%的预测准确率,超过了替代方法至少3.80个百分点的性能。因此,这项研究不仅有利于投资者的财务决策,而且有助于公司按照预期传达信息。
2018-12-31 cs.CL cs.IR cs.LG
Generative Interest Estimation for Document Recommendations
Hasso Plattner Institute(哈索·普拉特纳研究院)
文档的分布式表示学习已经推动了自然语言处理任务的发展,并且最近被成功地应用于推荐系统领域。在本文中,我们提出了一种新的基于内容的推荐系统的基础上学习表示和用户兴趣的生成模型。我们的方法工作原理如下:首先,我们学习文本文档语料库的表示。然后,我们捕捉用户的兴趣作为一个生成模型的空间中的文档表示。特别是,我们为每个用户的兴趣分布建模为高斯混合模型(GMM)。可以通过从用户的生成模型中采样来直接获得推荐。使用潜在语义分析(LSA)作为比较,我们计算和探索的美味书签数据集,推荐系统的标准基准的文档表示。然后,我们在这两个空间中进行密度估计,并表明学习表示在预测性能方面优于LSA。
2017-11-28 cs.CL cs.IR cs.LG
Representation Learning of Entities and Documents from Knowledge Base Descriptions
Studio Ousia;Nara Institute of Science and Technology(奈良先端科学技术大学院大学);RIKEN AIP(理化学研究所先进智能项目中心);Keio University(庆应义塾大学)
在本文中,我们描述了TextEnt,一个神经网络模型,直接从知识库(KB)学习实体和文档的分布式表示。给定由单词和实体注释组成的KB中的文档,我们训练我们的模型来预测文档描述的实体,并将文档及其目标实体映射到连续向量空间中彼此接近。我们的模型使用从维基百科提取的大量文档进行训练。使用两个任务,即细粒度的实体类型和多类文本分类的性能进行评估的模型。结果表明,我们的模型在这两项任务上都达到了最先进的性能。该代码和经过训练的表示可在网上获得,以供进一步的学术研究。
2018-06-08 cs.CL cs.NE
Document-as-Image Representations Fall Short for Scientific Retrieval
Department of Computer Science(计算机科学系)
本文提出ArXivDoc新基准,通过LaTeX源代码构建,对比文本、图像和多模态检索方法,发现基于图像的文档表示效果差,文本表示更有效,多模态方法表现最佳。
2026-10-15 cs.AI cs.CL cs.IR
Multi-GPU Distributed Parallel Bayesian Differential Topic Modelling
Research School of Computer Science(计算机科学研究学院)
数据、文档和其他内容爆炸式增长,人们需要工具来分析和解释这些内容,需要工具将内容转化为信息和知识。主题建模是为了解决这些问题而发展起来的。主题模型,如LDA [Blei et. 2003]允许自动提取数据中的显著模式。在分析文本时,这些模式被称为主题。在LDA的众多扩展中,很少有扩展能够可靠地分析多组文档并提取主题相似性。最近,差分主题建模(SPDP)的引入[Chen et. 2012]在区别性设置中一致地比许多主题模型表现得更好。还需要提高主题模型的采样速度。虽然已经为分布式算法做出了一些努力,但目前还没有使用图形处理单元(GPU)完成的工作。注意,GPU框架已经成为解决许多问题的最具成本效益的平台。在本论文中,我提出并实现了一个近似于SPDP的可扩展的多GPU分布式并行框架。通过实验,我已经证明了我的算法在速度上提高了大约50倍,同时几乎同样准确,只有一个便宜的笔记本电脑GPU。此外,我已经证明了当使用多个GPU时,速度的提高是次线性可扩展的,同时保持了准确性。因此,在中型GPU集群上,速度提升可能达到一千倍。注意SPDP只是LDA的其他扩展的代表。虽然我的算法是为了与SPDP一起工作而实现的,但它被设计成足够通用的,可以与其他主题模型一起工作。对较小集合的加速(即,这意味着这些更复杂的LDA扩展现在可以实时完成,从而开辟了在工业中使用这些LDA模型的新方法。
2015-10-22 cs.CL cs.DC cs.LG
Learning Contextualized Document Representations for Healthcare Answer Retrieval
Beuth University of Applied Sciences(柏林应用技术大学)
我们提出了上下文话语向量(CDV),一个分布式的文件表示,从长的医疗保健文件的有效答案检索。我们的方法是基于结构化查询元组的实体和自由文本和医学分类方面。我们的模型利用具有分层LSTM层和多任务训练的双编码器架构来编码临床实体和方面的位置以及文档话语。我们使用我们的连续表示,以解决查询与短延迟使用近似最近邻搜索句子级别。我们应用CDV模型检索连贯的答案通道从9个英语公共卫生资源从网络上,解决病人和医疗专业人员。由于没有可用于所有应用场景的端到端训练数据,我们使用来自Wikipedia的自监督数据训练我们的模型。我们表明,我们的广义模型显着优于几个国家的最先进的基线医疗通道排名,并能够适应异构域,而无需额外的微调。
2020-02-03 cs.CL
Topic Modeling Using Distributed Word Embeddings
University of Southern California(南加州大学);TopicIQ, Inc.(TopicIQ公司);IIT Delhi(德里印度理工学院)
我们提出了一个新的主题建模算法,Vec2Topic,确定语料库中的主要主题使用通过高维分布式词嵌入捕获的语义信息。我们的技术是无监督的,并生成一个主题的重要性排名列表。我们发现,它比现有的主题建模技术,如潜在的Dirichlet分配更好地识别用户生成的内容中的关键主题,如电子邮件,聊天等,其中主题在语料库中分散。我们还发现,Vec2Topic同样适用于非用户生成的内容,如论文,报告等,以及用于诸如单个文档的小语料库。
2016-03-15 cs.CL
Binary Paragraph Vectors
AGH University of Science and Technology(AGH科技大学)
最近,Le和Mikolov描述了两个对数线性模型,称为段落向量,可用于学习最先进的文档分布式表示。受这项工作的启发,我们提出了二进制段落向量模型:简单的神经网络,学习快速信息检索的短二进制代码。我们表明,二进制段落向量优于基于自动编码器的二进制代码,尽管使用更少的位。我们还评估了它们在迁移学习设置中的精度,其中二进制代码被推断为与训练语料库无关的文档。这些实验的结果表明,二进制段落向量可以捕获各种特定领域的文档相关的语义。最后,我们提出了一个同时学习短二进制代码和较长实值表示的模型。该模型可用于从大型文档集合中快速检索高度相关文档的短列表。
2017-06-09 cs.CL
Document Embedding with Paragraph Vectors
Google(谷歌)
段落向量最近被提出作为一种无监督的方法,用于学习文本的分布式表示。在他们的工作中,作者表明,该方法可以学习电影评论文本的嵌入,这些文本可以用于情感分析。这一概念证明虽然令人鼓舞,但范围相当狭窄。在这里,我们考虑任务以外的情感分析,提供了一个更彻底的比较段落向量的其他文档建模算法,如潜在的Dirichlet分配,并评估性能的方法,因为我们不同的维数的学习表示。我们在两个文档相似性数据集上对模型进行了基准测试,一个来自维基百科,一个来自arXiv。我们观察到段落向量方法的性能明显优于其他方法,并提出了一个简单的改进来提高嵌入质量。有些令人惊讶的是,我们还表明,很像词嵌入,向量操作段落向量可以执行有用的语义结果。
2015-07-29 cs.AI cs.CL cs.LG
LAGO: Few-shot Crosslingual Embedding Inversion Attacks via Language Similarity-Aware Graph Optimization
Department of Electronic Systems(电子系统系);Department of Computer Science(计算机科学系);Aalborg University(奥尔堡大学)
提出LAGO,一种基于语言相似性感知图优化的少样本跨语言嵌入反转攻击方法,通过图约束分布式优化和Frobenius正则化,在极少量样本下显著提升攻击可迁移性(Rouge-L提升10-20%),强调语言相似性在隐私保护中的关键作用。
2025-05-21 cs.AI cs.CL cs.CR