别致的近义词三年级下册精辟144条

别致的近义词

1、别致的近义词

(1)、既然我们号称词类比性质就是本模型的定义，那么该模型是否真的在词类比中表现良好？我们来看一些例子。

(2)、①别致近义词：新奇、稀奇、新颖、精巧；反义词：普通、寻常。

(3)、近义词：仔细-认真勤劳-辛劳甜蜜-甜美飘扬-飘荡

(4)、近义词：拜访-拜见迎候-等候大概-大约敬重-尊敬

(5)、跟GloVe一样，我们同样使用Adagrad算法进行优化，使用Adagrad的原因是因为它大概是目前简单的自适应学习率的算法。 

(6)、疲倦——精神危险——安全反驳——赞同充足——不足匆匆——姗姗

(7)、仔细--马虎 生气--开心 开始--结果 公平--偏私

(8)、冰冷——火热残忍——善良厄运——幸运锐减——剧增

(9)、快乐--忧伤 幸福--痛苦 难过--高兴 山顶--山脚

(10)、华虹NEC新颖别致的展台吸引了众多参观者。

(11)、近义词：希望—盼望精心—细心依然—仍然寻找—寻觅

(12)、近义词：混沌-模糊辽阔-广阔茂盛-旺盛滋润-润泽

(13)、紧--松 弯--直 闭--开 沉--浮 美丽--丑陋

(14)、近义词：固然-确实长处-优点善于-擅长优势-优点

(15)、如果--假如已经--曾经告别--告辞旅行--旅游

(16)、雪白--洁白 奇怪--新奇 自言自语--喃喃自语

(17)、近义词：果然—果真躲避—躲闪当初—从前故乡—家乡仍然—依旧难过—伤心也许—或许

(18)、近义词：推测-推断超常-特殊确确实实-的的确确

(19)、轻盈-轻快神奇-奇妙  宛若-仿佛欢悦-喜悦

(20)、道别—告别叮咛—嘱咐掠过—拂过辽阔—广阔绽开—裂开继续—持续

2、别致的近义词三年级下册

(1)、此外，为了实现上一节的“有趣的结果”，在github中我还补充了simpler_glove.py，里边封装了一个类，可以直接读取C版的simplerglove所导出的模型文件(txt格式)，并且附带了一些常用函数，方便调用。

(2)、回归到我们做词向量模型的假设，就是词的上下文分布来揭示词义。所以说，两个相近的词语应该具有相近的上下文分布，前面我们讨论的“机场-飞机+火车=火车站”也是基于同样原理，但那里要求了上下文单词一一严格对应，而这里只需要近似对应，条件有所放宽，而且为了适应不同层次的相似需求，这里的上下文也可以由我们自行选择。

(3)、复—又 眠—睡 闻—听 啼—叫全—都关—合闭—合傻—笨

(4)、总之，如果我毫不改动它的迭代过程，照搬到本文的SimplerGloVe模型中，很容易就出现各种无解的nan，如果写成标准的Adagrad，nan就不会出现了。 

(5)、而根据词向量的知识，两个向量的内积为0，表明两个向量是相互垂直的，而我们通常说两个向量垂直，表明它们就是无关的。所以很巧妙，两个词统计上的无关，正好对应着几何上的无关。这是模型形式上的美妙之一。

(6)、这就是说，如果你有了一组解，那么你将所有词向量加上任意一个常数向量后，它还是一组解。这个问题就严重了，我们无法预估得到的是哪组解，一旦加上的是一个大的常向量，那么各种度量都没意义了(比如任意两个词的cos值都接近1)。

(7)、近义词：惬意——满意匆匆——匆忙疲倦——疲劳反驳——反对

(8)、天—地  上—下    古—今   分—合

(9)、近义词：快乐—高兴喜爱—喜欢假装—伪装观察—观测使劲—用劲合拢—合并

(10)、在一个窗口内的上下文，中心词重复出现概率其实是不大的，是一个比较随机的事件，因此可以粗略地认为：

(11)、尴尬——狼狈熟视无睹——视而不见沉着——从容彬彬有礼——文质彬彬、温文尔雅

(12)、举起--放下燃烧--熄灭勤劳--懒惰美丽—丑陋

(13)、现在问题就简单了，进来一个句子，把所有词的词向量求和得到句向量，然后句向量跟句子中的每一个词向量做一下内积(也可以考虑算cos得到归一化的结果)，降序排列即可。简单粗暴，而且将原来应该是?(k2)效率的算法降到了?(k)。效果呢？下面是一些例子。

(14)、反义词：强烈——微弱奇特——寻常巨大——微小

(15)、近义词：混沌—模糊辽阔—广阔茂盛—旺盛滋润—润泽缓缓—慢慢华丽—华美庞大—巨大浑浊——混沌

(16)、一个很别致的腰带，一个特殊的笔，印章很雅致的领巾，送她的礼物，特殊形状的珍珠别针，一瓶刚上市的品牌香水，一感十足的造型和手包，一个别致的丝巾图案，纹理的价值和设计品位的外套或毛衣。

(17)、相比之下，LSTM的准确率是90%左右，可见这种句向量是可圈可点的。要知道，用于实验的这份词向量是用百度百科的语料训练的，也就是说，本身是没有体现情感倾向在里边的，但它依然成功地、简明地挖掘了词语的情感倾向。

(18)、疏导--疏通 渐渐--慢慢 千千万万--成千上万

(19)、-------------- 小学语文部编版 ---------------

(20)、近义词：汲取—吸取鼓舞—鼓励纪念—怀念终于—终究

3、别致的近义词语

(1)、沉闷——轻松艰苦——舒适波涛起伏——风平浪静

(2)、左—右 先—后 无—有 阴—阳 公—私 拉—推 问—答分—合

(3)、近义词：庄重——庄严怜悯——可怜嘱咐——叮咛依然——依旧

(4)、近义词：谦虚-虚心轻蔑-轻视愤怒-怒火理会-理睬

(5)、用矩阵的写法(假设这里的向量都是行向量)，我们有：

(6)、事实上，对GloVe生成的词向量进行验算就可以发现，GloVe 生成的词向量，停用词的模长远大于一般词的模长，也就是说一堆词放在一起时，停用词的作用还明显些，这显然是不利用后续模型的优化的。(虽然从目前的关于GloVe 的实验结果来看，是我强迫症了一些。)

(7)、反义词：苍白——红润凋零——绽放沉着——慌张

(8)、停--止 添--加 美丽--漂亮 伙伴--朋友 浑身--全身

(9)、漂亮—美丽温和--平和得意—骄傲明白--清楚弯弯曲曲—曲曲折折

(10)、快乐—高兴喜爱—喜欢假装—伪装观察—观测使劲—用劲合拢—合并

(11)、近义词：肯定-一定本来-原来可惜-惋惜诚实-老实

(12)、但是那天下午，我别致的手风琴好像变成了纸板盒。

(13)、反义词：减轻—加重容易—困难坚固—松散精美—粗糙

(14)、当然，内积是把模长也算进去了，而刚才我们说了模长代表的是词的重要程度，如果我们不管重要程度，而是纯粹地考虑词义，那么我们会把向量的范数归一后再求内积，这样的方案更加稳定：

(15)、敌人—朋友 进步—落后 认真—马虎 粗心—细心 忘记—记得  

(16)、本文作者在更别致的词向量模型：SimplerGloVe-Part1一文中提出了一个新的类似GloVe的词向量模型— SimplerGloVe。

(17)、近义词：留意—留心凉爽—凉快五彩缤纷—五光十色

(18)、蕴含——蕴藏奥秘——奥妙静谧——宁静俏丽——美丽

(19)、重—轻清—浊辽阔—窄小茂盛—枯萎滋润—干燥上升—下降黑暗—光明

(20)、在用本文的模型和百度百科语料训练的一份词向量中，不截断权重，把词向量按照模长升序排列，前50个的结果是：

4、别致的反义词语是什么

(1)、真勤劳—辛劳甜蜜—甜美飘扬—飘荡有趣—风趣发颤—发抖

(2)、湿润-干燥轻盈-笨拙  神奇-平常欢悦-苦闷

(3)、尴尬——自然松弛——紧张小心翼翼——掉以轻心惊慌——镇定

(4)、然后根据Adagrad算法的公式进行更新即可，默认的初始学习率选为η=0.迭代公式为：

(5)、链接：http://pan.baidu.com/s/1jIb3yr8

(6)、早--晚 放--拿 回来--出去 打开--关闭

(7)、骤然—突然热烈—激烈镇定—镇静注视—凝视持久—长久忧郁—忧愁

(8)、尽职——负责变化多端——千变万化生气勃勃——生机勃勃

(9)、但可能带来的后果是：高频词的模长没学好。我们可以在《模长的含义》这一小节中看到这一点。总的来说，不同的场景有不同的需求，因此我们在后发布的源码中，允许用户自定义是否截断这个权重。

(10)、借—还 是—非 这—那 快—慢 活—死 高—低 天—地反—正

(11)、高兴--难过奇怪--平常美丽—难看明白—糊涂立刻—逐渐欢快—忧伤

(12)、需要指出的是，前面已经提到，停用词会倾向于缩小模长而非调整方向，所以它的方向就没有什么意义了，我们可以认为停用词的方向是随机的。这时候我们通过余弦值来查找相关词时，就有可能出现让我们意外的停用词了。

(13)、希望——盼望  捡起——拾起   快活——快乐

(14)、着迷——入迷果然——果真兴高采烈——兴致勃勃

(15)、悄悄--默默突然--忽然亲切—和蔼(亲密)热爱--喜爱关心--关爱

(16)、反义词：慎重——轻率粗糙——光滑柔弱——刚强干燥——湿润简朴——奢华

(17)、可见这些词确实是我们称为“停用词”或者“虚词”的词语，这就验证了模长确实能代表词本身的重要程度。这个结果与是否截断权重有一定关系，因为截断权重的话，得到的排序是：

(18)、热闹——冷清左顾右盼——目不斜视清楚——模糊

(19)、(解释)(名)事物的尽头或朝着某个方向发展所能达到的顶点：走～|一意孤行，趋于～。②(副)十分；；达到顶点的：～苦闷|～自私。［近］极其。

(20)、晴朗--晴好 赶快--连忙 准备--预备 呼唤--召唤

5、别致的近义词和反义词是什么

(1)、固然—确实长处—优点善于—擅长优势—优点慌张—紧张危急—紧急

(2)、近义词：谦虚—虚心轻蔑—轻视愤怒—生气理会—理睬覆盖—遮盖懦弱—软弱

(3)、近义词：欣赏—观赏别致—特别抱怨—埋怨匀称—均匀

(4)、简单——简明搜索——搜查随遇而安——入乡随俗

(5)、观看—观赏十分--珍贵--名贵熟悉--熟识灭绝—灭亡缺乏--缺少稀有--少见

(6)、本文的大多数推导，都可以模仿地去解释word2vec的skipgram模型的实验结果，读者可以尝试。事实上，word2vec的skipgram模型确实跟本文的模型有着类似的表现，包括词向量的模型性质等。 

(7)、反义词：傲慢—谦和愚蠢—聪明荒凉—繁华误解—理解

(8)、近义词：跛—瘸忿忿—生气究竟—到底详细—详尽光滑—平滑

(9)、(反义词)凹陷、平凡、微妙、平常、庸碌、普通、一般

(10)、认真--仔细看--观高兴--快乐称赞--赞扬消除—消灭连忙—急忙泄气—动摇

(11)、反义词：细微—明显简单—复杂浪费—节约伟大—渺小

(12)、关切——关心目不转睛——聚精会神恍然大悟——豁然开朗

(13)、反义词：防守-进攻紧张-放松长处-短处集合-分散

(14)、正好--恰好幸福--美满飘荡--飘扬难过--难受愿意--乐快乐--愉快

(15)、也就是将词向量减去均值后排成一个矩阵V，然后算V⊤V，这是一个n×n的实对称矩阵，n是词向量维度，它可以分解(Cholesky分解)为：

(16)、满意--满足 收拾--整理 高兴--开心 仔细--认真

(17)、浓密——稠密圣洁——纯洁幽香——清香眷恋——依恋

(18)、发明——发现大概——可能幻想——梦幻依赖——依靠

(19)、近义词：希望-盼望精心-细心依然-仍然寻找-寻觅

(20)、恭敬——恭顺憎恶——厌恶莽撞——鲁莽踌躇——犹豫

(1)、本文算是一次对词向量模型比较完整的探索，也算是笔者的理论强迫症的结果，幸好后也得到了一个理论上比较好看的模型，初步了我这个强迫症。而至于实验效果、应用等等，则有待日后进一步使用验证了。 

(2)、②表示“集中(力量、意志等)于某个方面”：致力、专心致志。

(3)、当然，事实上不同的用途可以有不同的方案，比如我们可以认为同出现在一篇文章的两个词就是碰过一次面了，这种方案通常会对主题分类很有帮助，不过这种方案计算量太大。更常用的方案是选定一个固定的整数，记为window，每个词前后的window个词，都认为是跟这个词碰过面的。

(4)、吟诵——吟咏津津乐道——侃侃而谈陡峭——峻峭

(5)、②致谢近义词：申谢、道谢、伸谢、称谢、叩谢。

(6)、近义词：闪耀-闪烁乐意-愿意应有尽有-一应俱全

(7)、防守—进攻紧张—放松长处—短处集合—分散胜利—失败

(8)、近义词：羡慕——爱慕希望——期望显然——明显不由自主——情不自禁

(9)、喜爱--喜欢 茂密--繁茂 热情--亲热 著名--有名

(10)、杰出——卓越阻挠——阻止要挟——胁迫轻蔑——轻视

(11)、反义词：容易—困难细小—巨大深—浅详细—简略不紧不慢—慌慌张张

(12)、近义词：古怪——奇怪呼唤——呼喊勇敢——勇猛温柔——温和

(13)、调皮—乖巧喜欢—讨厌好汉—懦汉热闹—平静清闲—繁忙

(14)、古怪——奇怪呼唤——呼喊勇敢——勇猛温柔——温和

(15)、反义词：调皮—乖巧喜欢—讨厌好汉—懦汉热闹—平静清闲—繁忙

(16)、足—脚   口—嘴   目—眼   行—走

(17)、近义词：骤然—突然热烈—激烈镇定—镇静注视—凝视持久—长久忧郁—忧愁

(18)、源码修改自斯坦福的GloVe原版，笔者仅仅是小修改，因为主要的难度是在统计共现词频这里，感谢斯坦福的前辈们提供了这一个经典的、优秀的统计实现案例。事实上，笔者不熟悉C语言，因此所作的修改可能难登大雅之台，万望高手斧正。 

(19)、近义词：看守-看护随意-随便清闲-空闲拜访-访问

(20)、近义词：拜访—拜见迎候—等候大概—大约敬重—尊敬请教—讨教佩服—敬佩

(1)、关切——关心目不转睛——聚精会神恍然大悟——豁然开朗

(2)、暖和--温暖 劝告--劝说 寒冬腊月--数九寒天

(3)、三家领导分别致辞并共同点亮了象征希望和温暖的小桔灯。

(4)、近义词：才干—才能美观—美丽节省—节约宝贵—珍贵精美—精致坚固—牢固

(5)、潮湿——干燥严肃——活泼寒风呼啸——暖风习习

(6)、杰出——平庸轻蔑——尊重狂风怒号——风和日丽

(7)、反义词：细微-明显简单-复杂浪费-节约伟大-渺小

(8)、万仞--万丈绵亘--绵延磅礴—澎湃巧妙－精巧

(9)、(释义)：与众不同，新奇湘云笑道:这倒别致。

(10)、相比之下，无论在参数量还是模型形式上，这个做法都比GloVe要简单，因此称之为SimplerGloVe。GloVe模型是：

(11)、大，说白了，就是用词来猜句子的概率大，而因为句子是预先给定的，因此P(w1,w2,…,wk)是常数，所以大化上式左边等价于大化右边。继续使用朴素假设：

(12)、反义词：疲倦——精神危险——安全反驳——赞同充足——不足匆匆——姗姗担心----放心非凡----普通

(13)、两个句子什么时候是相似的甚至是语义等价的？简单来说就是看了第一个句子我就能知道第二个句子说什么了，反之亦然。这种情况下，两个句子的相关度必然会很大。设句子S1有k个词w1,w2,…,wk，句子S2有l个词wk+1,wk+2,…,wk+l，利用朴素假设得到：

(14)、婚礼是一件精美的艺术品，它别致，细腻，浑然一体。

(15)、美丽--漂亮 明亮--光亮 好像--仿佛 微微--略微

(16)、闻名--著名秀丽--秀美神奇--奇妙尤其—特别

(17)、可见，词语越高频(越有可能就是停用词、虚词等)，对应的词向量模长就越小，这就表明了这种词向量的模长确实可以代表词的重要性。事实上，−logP(w)这个量类似IDF，有个专门的名称叫ICF，请参考论文《TF-ICF:ANewTermWeightingSchemeforClusteringDynamicDataStreams》。 

(18)、反义词：重—轻清—浊辽阔—窄小茂盛—枯萎滋润—干燥上升—下降黑暗—光明巨大—窄小会和—解散

(19)、清陈廷焯《白雨斋词话》卷七：“艳词非其年所长，然此类亦见别致。”《玉娇梨》第一回：“此诗不但敏捷异常，且字字清新俊逸，饶有别致。”

(20)、近义词：羡慕—爱慕喜爱—喜欢感谢—感激调皮—顽皮恋恋不舍—依依不舍鼓励—激励普通—一般危险—凶险获得—获取宽裕—富裕仁爱—仁慈

(1)、热闹——冷清怀疑——相信吉祥——灾难急速——缓慢

(2)、对于词向量模型来说，词相近就意味着它们具有相似的上下文分布，而不是我们人为去定义它相似。所以效果好不好，就看“相似的上下文分布⇆词相近”这一观点(跟语料有关)，跟人类对相近的定义(跟语料无关，人的主观想法)有多大差别。当发现实验效果不好时，不妨就往这个点想想。

(3)、亲昵——亲密依然——依旧歇落——歇息企盼——期盼

(4)、对于像“的”、“了”这些几乎没有意义的词语，词向量会往哪个方向发展呢？前面已经说了，它们的出现频率很高，但本身几乎没有跟谁是固定搭配的，基本上就是自己周围逛，所以可以认为对于任意词wi，都有

转载请注明出处阿文说说网 » 别致的近义词三年级下册精辟144条