问题描述
我有兴趣为一组标签中的每个单词标识WordNet同义词集ID。 集合中的单词为单词歧义消除提供了上下文，例如：
- {摩尔，皮肤}
- {痣，草，毛皮}
- {摩尔，化学}
- {河岸，河岸，河岸}
- {银行，金钱，建筑物}
我知道lesk算法和库，例如pywsd，它基于10年以上的技术（这可能仍然是尖端技术，这是我的问题）。
到现在为止，是否存在性能更好的算法，它们可以很好地处理GloVe之类的预训练嵌入，以及这些嵌入之间的距离？ 这种WSD算法是否有现成的实现？
我知道这个问题很接近要求主观偏好的危险区域-就像这个5岁的thread一样。但是我并不需要概述解决方案或最好的软件。
解决方法
转移学习，特别是像Allen AI的ELMO，OpenAI的Open-GPT和Google的BERT这样的模型，研究人员可以通过最小的任务特定的微调来粉碎多个基准，并为NLP社区的其他成员提供可以轻松地进行预训练的模型（具有更少数据和更少计算时间的产品）进行微调并实施以产生最先进的结果。
即使没有关键字或词组重叠，这些表示形式也将帮助您准确地检索与客户的意图和上下文涵义（）相匹配的结果。
首先，嵌入是在较高维向量空间中的点的简单（中等）低维表示。
通过将单词翻译为嵌入内容，可以以数字形式对单词的语义重要性进行建模，从而对其进行数学运算。
当word2vec模型首次出现这种情况时，这是一个了不起的突破。从那里，出现了许多更高级的模型，这些模型不仅捕获了静态的语义含义，而且还捕获了上下文化的含义。例如，考虑下面的两个句子：
I like apples.
I like Apple macbooks
请注意，单词apple在每个句子中都有不同的语义。现在有了上下文化的语言模型，苹果一词的嵌入将具有不同的向量表示，这使其对NLP任务的功能更加强大。
像BERT这样的上下文嵌入提供了优于Word2Vec这样的模型的优势，因为尽管每个单词在Word2Vec下都具有固定的表示形式，而不管单词出现的上下文如何，但BERT都会根据周围的单词动态地产生单词表示形式。 / p>