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：
- 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
