摘要
近期深度学习的进展促进了神经模型在实际应用中的需求。在实践中，这些应用通常需要在有限资源的情况下部署，同时保持高精度。本文探讨了自然语言处理（NLP）中神经模型的核心部分——词嵌入，并提出了一种新的嵌入蒸馏框架，该框架能够在不牺牲精度的前提下显著降低词嵌入的维度。此外，本文还提出了一种新颖的蒸馏集成方法，利用多个教师模型训练一个高效的学生模型。在我们的方法中，教师模型仅在训练阶段发挥作用，而在解码阶段学生模型可以独立运行，无需依赖教师模型的支持，这使得学生模型比其他典型的集成方法快80倍且更加轻量级。所有模型均在七个文档分类数据集上进行了评估，并在大多数情况下显示出相对于教师模型的显著优势。我们的分析揭示了词嵌入通过蒸馏过程发生的有益变化，并为未来使用神经模型的集成方法指明了方向。