机器学习常用英文术语与发音
文章收录机器学习、深度学习、大语言模型及推荐算法中的常见英文术语,集中说明英文名称、中文含义、国际音标和常用缩写读法。发音以美式英语为主;模型名称的口头读法可能因研究团队而异。
一、英文术语的发音规则
1.1 缩写的三种读法
| 英文缩写 | 常见读法 | 中文含义 | 类型 |
|---|---|---|---|
| LLM | L-L-M | 大语言模型 | 逐字母读 |
| CNN | C-N-N | 卷积神经网络 | 逐字母读 |
| CTR | C-T-R | 点击率 | 逐字母读 |
| BERT | /bɝːt/ | 双向编码器表示模型 | 当作单词读 |
| RAG | /ræɡ/ | 检索增强生成 | 当作单词读 |
| GAN | /ɡæn/ | 生成对抗网络 | 当作单词读 |
| DeepFM | Deep-F-M | 深度因子分解机 | 混合读法 |
| GPT-4 | G-P-T four | 第 4 代生成式预训练变换器 | 混合读法 |
| BERT4Rec | Bert for Rec | 基于 BERT 的推荐模型 | 混合读法 |
LLM(Large Language Model,大语言模型)按照 L-L-M 逐字母读。BERT(Bidirectional Encoder Representations from Transformers,基于变换器的双向编码表示)通常按单词 Bert 朗读。遇到口头读法尚未统一的缩写,逐字母朗读能够清楚说明其英文拼写。
1.2 音标和重音
IPA(International Phonetic Alphabet,国际音标)用于记录语音。符号 /ˈ/ 表示主重音,/ˌ/ 表示次重音。
| 英文例子 | 音标 | 中文含义 | 发音说明 |
|---|---|---|---|
| Feature | /iː/ | 特征 | 长元音 |
| Sigmoid | /ɪ/ | S 形函数 | 短元音 |
| Batch | /æ/ | 批次 | 开口较大的元音 |
| Parameter | /ə/ | 参数 | 弱读中央元音 |
| AI | /aɪ/ | 人工智能 | 双元音 |
| Sigmoid | /ɔɪ/ | S 形函数 | 双元音 |
| Embedding | /ŋ/ | 嵌入表示 | 后鼻音 |
| Precision | /ʒ/ | 精确率 | 浊摩擦音 |
例如,Sigmoid(S 形函数)读 /ˈsɪɡmɔɪd/,第一个音节重读。Embedding(嵌入表示)读 /ɪmˈbedɪŋ/,第二个音节重读。中文近似注音用于记忆,练习时应参考音标和英语录音。
二、机器学习基础术语
2.1 基础概念
| 英文术语 | 国际音标 | 中文翻译 |
|---|---|---|
| Machine Learning | /məˈʃiːn ˈlɝːnɪŋ/ | 机器学习 |
| Deep Learning | /diːp ˈlɝːnɪŋ/ | 深度学习 |
| Algorithm | /ˈælɡəˌrɪðəm/ | 算法 |
| Model | /ˈmɑːdəl/ | 模型 |
| Feature | /ˈfiːtʃər/ | 特征 |
| Label | /ˈleɪbəl/ | 标签 |
| Sample | /ˈsæmpəl/ | 样本 |
| Dataset | /ˈdeɪtəˌset/ | 数据集 |
| Parameter | /pəˈræmɪtər/ | 参数 |
| Hyperparameter | /ˌhaɪpərpəˈræmɪtər/ | 超参数 |
| Training | /ˈtreɪnɪŋ/ | 训练 |
| Inference | /ˈɪnfərəns/ | 推理 |
| Prediction | /prɪˈdɪkʃən/ | 预测 |
| Evaluation | /ɪˌvæljuˈeɪʃən/ | 评估 |
| Validation | /ˌvælɪˈdeɪʃən/ | 验证 |
Algorithm(算法)的重音位于开头,th 发 /ð/。Parameter(参数)的重音位于第二个音节,常见搭配包括 Model Parameters(模型参数)、Trainable Parameters(可训练参数)、Hyperparameters(超参数)、Parameter Initialization(参数初始化)和 Parameter Update(参数更新)。
Inference(推理)读 /ˈɪnfərəns/,重音在第一个音节。Dataset(数据集)中的 Data(数据)存在 /ˈdeɪtə/ 和 /ˈdætə/ 两种常见读法。
2.2 模型训练
| 英文术语 | 国际音标 | 中文翻译 |
|---|---|---|
| Batch | /bætʃ/ | 批次 |
| Batch Size | /bætʃ saɪz/ | 批次大小 |
| Epoch | /ˈepək/ | 完整训练轮次 |
| Iteration | /ˌɪtəˈreɪʃən/ | 迭代 |
| Gradient | /ˈɡreɪdiənt/ | 梯度 |
| Optimizer | /ˈɑːptəmaɪzər/ | 优化器 |
| Loss | /lɔːs/ | 损失 |
| Learning Rate | /ˈlɝːnɪŋ reɪt/ | 学习率 |
| Backpropagation | /ˌbækˌprɑːpəˈɡeɪʃən/ | 反向传播 |
| Regularization | /ˌreɡjələrəˈzeɪʃən/ | 正则化 |
| Overfitting | /ˌoʊvərˈfɪtɪŋ/ | 过拟合 |
| Underfitting | /ˌʌndərˈfɪtɪŋ/ | 欠拟合 |
| Stochastic | /stəˈkæstɪk/ | 随机的 |
| Momentum | /moʊˈmentəm/ | 动量 |
| Convergence | /kənˈvɝːdʒəns/ | 收敛 |
Epoch(完整训练轮次)表示训练数据完整参与一轮训练。Batch(批次)是一次处理的一组样本,Iteration(迭代)在常见小批次训练中通常对应一次参数更新。假设有 1,000 条训练样本,每批次 100 条,那么每轮通常包含 10 次迭代。
Epoch 还可以读作 /ˈiːpɑːk/。两种发音都有词典依据。
Gradient(梯度)反映损失函数随参数变化的情况。Optimizer(优化器)利用梯度等信息更新参数。Loss(损失)衡量预测与训练目标之间的差异。
2.3 统计学
| 英文术语 | 国际音标 | 中文翻译 |
|---|---|---|
| Probability | /ˌprɑːbəˈbɪləti/ | 概率 |
| Distribution | /ˌdɪstrɪˈbjuːʃən/ | 分布 |
| Expectation | /ˌekspekˈteɪʃən/ | 数学期望 |
| Variance | /ˈveriəns/ | 方差 |
| Bias | /ˈbaɪəs/ | 系统误差;估计的系统性误差 |
| Gaussian | /ˈɡaʊsiən/ | 高斯的 |
| Bayes | /beɪz/ | 贝叶斯(人名) |
| Bayesian | /ˈbeɪziən/ | 贝叶斯的 |
| Likelihood | /ˈlaɪklihʊd/ | 似然 |
| Prior | /ˈpraɪər/ | 先验 |
| Posterior | /pɑːˈstɪriər/ | 后验 |
| Entropy | /ˈentrəpi/ | 熵 |
| Correlation | /ˌkɔːrəˈleɪʃən/ | 相关性 |
| Regression | /rɪˈɡreʃən/ | 回归 |
| Classification | /ˌklæsəfəˈkeɪʃən/ | 分类 |
Bayes(贝叶斯)读 /beɪz/。Bayesian(贝叶斯的)读 /ˈbeɪziən/。Gaussian(高斯的)读 /ˈɡaʊsiən/,开头包含 /ɡaʊ/ 音。Likelihood(似然)读 /ˈlaɪklihʊd/。
三、深度学习与神经网络
3.1 基础术语
| 英文术语 | 国际音标 | 中文翻译 |
|---|---|---|
| Neural Network | /ˈnʊrəl ˈnetwɝːk/ | 神经网络 |
| Neuron | /ˈnʊrɑːn/ | 神经元 |
| Layer | /ˈleɪər/ | 网络层 |
| Hidden Layer | /ˈhɪdən ˈleɪər/ | 隐藏层 |
| Weight | /weɪt/ | 权重 |
| Tensor | /ˈtensər/ | 张量 |
| Vector | /ˈvektər/ | 向量 |
| Matrix | /ˈmeɪtrɪks/ | 矩阵 |
| Dimension | /dɪˈmenʃən/ | 维度 |
| Embedding | /ɪmˈbedɪŋ/ | 嵌入表示 |
| Activation | /ˌæktəˈveɪʃən/ | 激活 |
| Residual | /rɪˈzɪdʒuəl/ | 残差 |
| Dropout | /ˈdrɑːpaʊt/ | 随机失活 |
| Normalization | /ˌnɔːrmələˈzeɪʃən/ | 归一化 |
| Convolution | /ˌkɑːnvəˈluːʃən/ | 卷积 |
| Kernel | /ˈkɝːnəl/ | 卷积核 |
| Padding | /ˈpædɪŋ/ | 填充 |
| Stride | /straɪd/ | 步长 |
Embedding(嵌入表示)读 /ɪmˈbedɪŋ/,第二个音节重读。结尾的 /ŋ/ 是后鼻音。Embedding 在深度学习和推荐系统中经常表示把离散对象映射成向量的过程与结果。
| 英文搭配 | 中文翻译 |
|---|---|
| Embedding Layer | 嵌入层 |
| User Embedding | 用户嵌入向量 |
| Item Embedding | 物品嵌入向量 |
| Position Embedding | 位置嵌入向量 |
| Token Embedding | 文本标记嵌入向量 |
| Embedding Dimension | 嵌入向量维度 |
| Embedding Table | 嵌入向量表 |
| Dense Embedding | 稠密嵌入表示 |
| Embedding Vector | 嵌入向量 |
3.2 激活函数
| 名称 | 常见读法 | 中文翻译 | 英文全称 |
|---|---|---|---|
| Sigmoid | /ˈsɪɡmɔɪd/ | S 形函数 | Sigmoid Function |
| Softmax | /ˈsɔːftmæks/ | 归一化指数函数 | Softmax Function |
| ReLU | REE-loo | 修正线性单元 | Rectified Linear Unit |
| Leaky ReLU | LEE-kee REE-loo | 带泄露系数的修正线性单元 | Leaky Rectified Linear Unit |
| GELU | JEE-loo,或 G-E-L-U | 高斯误差线性单元 | Gaussian Error Linear Unit |
| SiLU | SEE-loo,或 S-I-L-U | S 形线性单元 | Sigmoid Linear Unit |
| Swish | /swɪʃ/ | 自门控激活函数 | Swish Activation |
| Tanh | tan-h,或 tanch | 双曲正切函数 | Hyperbolic Tangent |
| Mish | /mɪʃ/ | Mish 自门控激活函数 | Mish Activation |
Sigmoid(S 形函数)读 /ˈsɪɡmɔɪd/,结尾的 /ɔɪ/ 与英语 boy(男孩)的元音相同。Softmax(归一化指数函数)读 /ˈsɔːftmæks/。ReLU(修正线性单元)、GELU(高斯误差线性单元)和 SiLU(S 形线性单元)都有逐字母朗读的用法。
3.3 网络架构和优化器缩写
| 缩写或名称 | 常见读法 | 中文翻译 | 英文全称 |
|---|---|---|---|
| NN | N-N | 神经网络 | Neural Network |
| ANN | A-N-N | 人工神经网络 | Artificial Neural Network |
| DNN | D-N-N | 深度神经网络 | Deep Neural Network |
| MLP | M-L-P | 多层感知机 | Multi-Layer Perceptron |
| CNN | C-N-N | 卷积神经网络 | Convolutional Neural Network |
| RNN | R-N-N | 循环神经网络 | Recurrent Neural Network |
| LSTM | L-S-T-M | 长短期记忆网络 | Long Short-Term Memory |
| GRU | G-R-U | 门控循环单元 | Gated Recurrent Unit |
| GNN | G-N-N | 图神经网络 | Graph Neural Network |
| GCN | G-C-N | 图卷积网络 | Graph Convolutional Network |
| GAN | /ɡæn/ | 生成对抗网络 | Generative Adversarial Network |
| VAE | V-A-E | 变分自编码器 | Variational Autoencoder |
| ResNet | REZ-net | 残差网络 | Residual Network |
| U-Net | U-net | U 形网络 | U-shaped Network |
| SGD | S-G-D | 随机梯度下降 | Stochastic Gradient Descent |
| Adam | /ˈædəm/ | 自适应矩估计优化器 | Adaptive Moment Estimation |
| AdamW | Adam-W | 带解耦权重衰减的 Adam 优化器 | Adam with Decoupled Weight Decay |
| BN | B-N | 批次归一化 | Batch Normalization |
| LN | L-N | 层归一化 | Layer Normalization |
Adam(自适应矩估计优化器)通常按照英语人名 Adam 读 /ˈædəm/。ResNet(残差网络)读 REZ-net,GAN(生成对抗网络)可以直接读 /ɡæn/。
3.4 损失函数和误差指标
| 缩写或名称 | 常见读法 | 中文翻译 | 英文全称 |
|---|---|---|---|
| MSE | M-S-E | 均方误差 | Mean Squared Error |
| RMSE | R-M-S-E | 均方根误差 | Root Mean Squared Error |
| MAE | M-A-E | 平均绝对误差 | Mean Absolute Error |
| BCE | B-C-E | 二元交叉熵 | Binary Cross Entropy |
| CE | C-E | 交叉熵 | Cross Entropy |
| KL | K-L | 库尔贝克—莱布勒 | Kullback–Leibler |
| KL Divergence | K-L divergence | 库尔贝克—莱布勒散度 | Kullback–Leibler Divergence |
| Huber Loss | HOO-ber loss | 胡贝尔损失 | Huber Loss |
| Triplet Loss | TRIP-let loss | 三元组损失 | Triplet Loss |
| Contrastive Loss | kən-TRAS-tiv loss | 对比损失 | Contrastive Loss |
Divergence(散度)读 /daɪˈvɝːdʒəns/。Contrastive(对比的)读 /kənˈtræstɪv/。
四、Transformer 与大语言模型
4.1 Transformer 架构术语
| 英文术语 | 国际音标 | 中文翻译 |
|---|---|---|
| Transformer | /trænsˈfɔːrmər/ | 变换器模型 |
| Attention | /əˈtenʃən/ | 注意力 |
| Self-Attention | /self əˈtenʃən/ | 自注意力 |
| Cross-Attention | /krɔːs əˈtenʃən/ | 交叉注意力 |
| Encoder | /ɪnˈkoʊdər/ | 编码器 |
| Decoder | /diːˈkoʊdər/ | 解码器 |
| Token | /ˈtoʊkən/ | 文本标记 |
| Tokenizer | /ˈtoʊkənaɪzər/ | 分词器 |
| Sequence | /ˈsiːkwəns/ | 序列 |
| Positional | /pəˈzɪʃənəl/ | 位置相关的 |
| Causal | /ˈkɔːzəl/ | 因果相关的 |
| Mask | /mæsk/ | 掩码 |
| Query | /ˈkwɪri/ | 查询 |
| Key | /kiː/ | 键 |
| Value | /ˈvæljuː/ | 值 |
| Residual Connection | /rɪˈzɪdʒuəl kəˈnekʃən/ | 残差连接 |
| Feedforward | /ˌfiːdˈfɔːrwərd/ | 前馈 |
| Normalization | /ˌnɔːrmələˈzeɪʃən/ | 归一化 |
Transformer(变换器模型)读 /trænsˈfɔːrmər/,重音位于 FORM。Attention(注意力)读 /əˈtenʃən/,重音位于 TEN。Encoder(编码器)和 Decoder(解码器)的重音都位于 CODE。
Token(文本标记)读 /ˈtoʊkən/;Tokenizer(分词器)读 /ˈtoʊkənaɪzər/。
| 英文搭配 | 中文翻译 |
|---|---|
| Self-Attention | 自注意力 |
| Cross-Attention | 交叉注意力 |
| Multi-Head Attention | 多头注意力 |
| Sparse Attention | 稀疏注意力 |
| Causal Attention | 因果注意力 |
| Attention Mechanism | 注意力机制 |
| Attention Score | 注意力分数 |
| Attention Weight | 注意力权重 |
4.2 大语言模型常用词汇
| 英文术语 | 国际音标 | 中文翻译 |
|---|---|---|
| Language Model | /ˈlæŋɡwɪdʒ ˈmɑːdəl/ | 语言模型 |
| Pretraining | /ˌpriːˈtreɪnɪŋ/ | 预训练 |
| Fine-tuning | /ˈfaɪnˌtuːnɪŋ/ | 微调 |
| Prompt | /prɑːmpt/ | 提示词 |
| Context | /ˈkɑːntekst/ | 上下文 |
| Generation | /ˌdʒenəˈreɪʃən/ | 生成 |
| Retrieval | /rɪˈtriːvəl/ | 检索 |
| Reasoning | /ˈriːzənɪŋ/ | 推理 |
| Hallucination | /həˌluːsɪˈneɪʃən/ | 幻觉 |
| Agent | /ˈeɪdʒənt/ | 智能体 |
| Tool Calling | /tuːl ˈkɔːlɪŋ/ | 工具调用 |
| Distillation | /ˌdɪstəˈleɪʃən/ | 知识蒸馏 |
| Quantization | /ˌkwɑːntəˈzeɪʃən/ | 量化 |
| Checkpoint | /ˈtʃekpɔɪnt/ | 模型检查点 |
| Cache | /kæʃ/ | 缓存 |
| Benchmark | /ˈbentʃmɑːrk/ | 基准测试 |
Hallucination(幻觉)读 /həˌluːsɪˈneɪʃən/,主重音位于 NAY。Quantization(量化)读 /ˌkwɑːntəˈzeɪʃən/,主重音位于 ZAY。Cache(缓存)读 /kæʃ/,与英语 cash(现金)同音。KV Cache(Key-Value Cache,键值缓存)常读 K-V cash。
4.3 大模型缩写
| 缩写 | 常见读法 | 中文翻译 | 英文全称 |
|---|---|---|---|
| LLM | L-L-M | 大语言模型 | Large Language Model |
| GPT | G-P-T | 生成式预训练变换器 | Generative Pre-trained Transformer |
| BERT | /bɝːt/ | 基于变换器的双向编码表示 | Bidirectional Encoder Representations from Transformers |
| LLaMA | /ˈlɑːmə/ | Meta 人工智能大语言模型 | Large Language Model Meta AI(原始名称) |
| MoE | M-O-E,或 /moʊ/ | 混合专家模型 | Mixture of Experts |
| RAG | /ræɡ/ | 检索增强生成 | Retrieval-Augmented Generation |
| SFT | S-F-T | 监督微调 | Supervised Fine-Tuning |
| RLHF | R-L-H-F | 基于人类反馈的强化学习 | Reinforcement Learning from Human Feedback |
| DPO | D-P-O | 直接选择倾向优化 | Direct Preference Optimization |
| PPO | P-P-O | 近端策略优化 | Proximal Policy Optimization |
| GRPO | G-R-P-O | 组相对策略优化 | Group Relative Policy Optimization |
| PEFT | P-E-F-T,或 peft | 参数高效微调 | Parameter-Efficient Fine-Tuning |
| LoRA | LO-ra | 低秩适配 | Low-Rank Adaptation |
| QLoRA | Q-LO-ra | 量化低秩适配 | Quantized Low-Rank Adaptation |
| RoPE | /roʊp/ | 旋转位置编码 | Rotary Position Embedding |
| MHA | M-H-A | 多头注意力 | Multi-Head Attention |
| MQA | M-Q-A | 多查询注意力 | Multi-Query Attention |
| GQA | G-Q-A | 分组查询注意力 | Grouped-Query Attention |
| KV | K-V | 键值 | Key-Value |
| BPE | B-P-E | 字节对编码 | Byte Pair Encoding |
BERT(双向编码器表示模型)读 /bɝːt/,与英语人名 Bert 相同。RAG(检索增强生成)读 /ræɡ/,与 rag(抹布)同音。LoRA(低秩适配)读 /ˈloʊrə/,近似「洛拉」。RoPE(旋转位置编码)读 /roʊp/,与 rope(绳子)同音。MoE(混合专家模型)可以逐字母读 M-O-E,部分交流中也读 /moʊ/。
五、推荐系统与搜索广告
5.1 推荐系统基本术语
| 英文术语 | 国际音标 | 中文翻译 |
|---|---|---|
| Recommendation | /ˌrekəmenˈdeɪʃən/ | 推荐 |
| Recommender | /ˌrekəˈmendər/ | 推荐器 |
| Retrieval | /rɪˈtriːvəl/ | 检索 |
| Recall | /ˈriːkɔːl/(名词) | 召回 |
| Ranking | /ˈræŋkɪŋ/ | 排序 |
| Re-ranking | /ˌriːˈræŋkɪŋ/ | 重排序 |
| Candidate | /ˈkændɪdət/ | 候选对象 |
| Item | /ˈaɪtəm/ | 物品 |
| User | /ˈjuːzər/ | 用户 |
| Interaction | /ˌɪntərˈækʃən/ | 交互 |
| Impression | /ɪmˈpreʃən/ | 展示记录 |
| Exposure | /ɪkˈspoʊʒər/ | 曝光 |
| Click | /klɪk/ | 点击 |
| Conversion | /kənˈvɝːʒən/ | 转化 |
| Feedback | /ˈfiːdbæk/ | 反馈 |
| Engagement | /ɪnˈɡeɪdʒmənt/ | 参与度 |
| Personalization | /ˌpɝːsənələˈzeɪʃən/ | 个性化 |
| Cold Start | /koʊld stɑːrt/ | 冷启动 |
| Diversity | /daɪˈvɝːsəti/ | 多样性 |
| Popularity | /ˌpɑːpjəˈlærəti/ | 流行度 |
Recall(召回)作为名词可读 /ˈriːkɔːl/;作为动词可读 /rɪˈkɔːl/。推荐系统里的 Recall Stage(召回阶段)和 Recall Rate(召回率)采用名词含义。
典型推荐流程依次为 Recall(召回)、Ranking(排序)和 Re-ranking(重排序)。
5.2 用户行为和特征建模
| 英文术语 | 国际音标 | 中文翻译 |
|---|---|---|
| Click-Through Rate | /ˈklɪk θruː reɪt/ | 点击率 |
| Conversion Rate | /kənˈvɝːʒən reɪt/ | 转化率 |
| Collaborative Filtering | /kəˈlæbərətɪv ˈfɪltərɪŋ/ | 协同过滤 |
| Matrix Factorization | /ˈmeɪtrɪks ˌfæktərəˈzeɪʃən/ | 矩阵分解 |
| Negative Sampling | /ˈneɡətɪv ˈsæmplɪŋ/ | 负采样 |
| Sequential Recommendation | /sɪˈkwenʃəl ˌrekəmenˈdeɪʃən/ | 序列推荐 |
| Session | /ˈseʃən/ | 会话 |
| Behavior | /bɪˈheɪvjər/ | 行为 |
| Feature Crossing | /ˈfiːtʃər ˈkrɔːsɪŋ/ | 特征交叉 |
| Similarity | /ˌsɪməˈlærəti/ | 相似度 |
| Pointwise | /ˈpɔɪntwaɪz/ | 逐样本式 |
| Pairwise | /ˈperwaɪz/ | 成对式 |
| Listwise | /ˈlɪstwaɪz/ | 列表式 |
| Multi-task | /ˌmʌltiˈtæsk/ | 多任务 |
| Multi-objective | /ˌmʌltiəbˈdʒektɪv/ | 多目标 |
Sequence(序列)读 /ˈsiːkwəns/;Sequential(序列相关的)读 /sɪˈkwenʃəl/。Collaborative Filtering(协同过滤)中的 Collaborative(协作的)重音位于 LAB,Filtering(过滤)重音位于 FIL。
5.3 推荐模型名称
| 缩写或模型名称 | 常见读法 | 中文翻译 | 英文全称 |
|---|---|---|---|
| FM | F-M | 因子分解机 | Factorization Machines |
| FFM | F-F-M | 域感知因子分解机 | Field-aware Factorization Machines |
| DeepFM | Deep-F-M | 深度因子分解机 | Deep Factorization Machine |
| DCN | D-C-N | 深度交叉网络 | Deep & Cross Network |
| DCN V2 | D-C-N-V-two | 第二代深度交叉网络 | Deep & Cross Network Version 2 |
| DIN | D-I-N | 深度兴趣网络 | Deep Interest Network |
| DIEN | D-I-E-N | 深度兴趣演化网络 | Deep Interest Evolution Network |
| DSSM | D-S-S-M | 深度结构化语义模型 | Deep Structured Semantic Model |
| DLRM | D-L-R-M | 深度学习推荐模型 | Deep Learning Recommendation Model |
| BPR | B-P-R | 贝叶斯个性化排序 | Bayesian Personalized Ranking |
| YouTube DNN | YouTube-D-N-N | YouTube 深度神经网络推荐模型 | YouTube Deep Neural Network |
| Wide & Deep | Wide-and-Deep | 宽度与深度联合学习模型 | Wide & Deep Learning |
| SASRec | S-A-S-Rec,或 sass-rec | 基于自注意力的序列推荐模型 | Self-Attentive Sequential Recommendation |
| BERT4Rec | Bert-for-Rec | 基于双向编码器表示的推荐模型 | BERT for Recommendation |
| GRU4Rec | G-R-U-for-Rec | 基于门控循环单元的推荐模型 | GRU for Recommendation |
| HSTU | H-S-T-U | 分层序列转换单元 | Hierarchical Sequential Transduction Unit |
| RankMixer | Rank-Mixer | 排序混合模型 | Rank Mixer |
| WHALE | /weɪl/ | 鲸鱼,推荐模型名称 | Whale(模型名称) |
BERT4Rec 通常读作 Bert for Rec,其中数字 4 发 four(数字四),与介词 for(用于)同音。WHALE 读 /weɪl/,与英语 whale(鲸鱼)同音。
5.4 推荐系统评估指标
| 缩写或名称 | 常见读法 | 中文翻译 | 英文全称 |
|---|---|---|---|
| CTR | C-T-R | 点击率 | Click-Through Rate |
| CVR | C-V-R | 转化率 | Conversion Rate |
| CTCVR | C-T-C-V-R | 点击并转化的联合概率或比例 | Click-Through & Conversion Rate |
| pCTR | P-C-T-R | 预估点击率 | Predicted Click-Through Rate |
| pCVR | P-C-V-R | 预估转化率 | Predicted Conversion Rate |
| AUC | A-U-C | 曲线下面积 | Area Under the Curve |
| ROC | R-O-C | 受试者工作特征 | Receiver Operating Characteristic |
| GAUC | G-A-U-C | 分组曲线下面积 | Group Area Under the Curve |
| NDCG | N-D-C-G | 归一化折损累计增益 | Normalized Discounted Cumulative Gain |
| MAP | /mæp/,或 M-A-P | 平均精确率均值 | Mean Average Precision |
| MRR | M-R-R | 平均倒数排名 | Mean Reciprocal Rank |
| HR | H-R | 命中率 | Hit Rate |
| Precision | /prɪˈsɪʒən/ | 精确率 | Precision |
| Recall | /ˈriːkɔːl/ | 召回率 | Recall |
| F1 | F-one | F1 分数 | F1 Score |
| LogLoss | log-loss | 对数损失 | Logarithmic Loss |
推荐系统评估指标中的 @ 读作 at(在指定位置)。例如:
| 指标 | 英文读法 | 中文含义 |
|---|---|---|
| Recall@10 | Recall at ten | 前 10 个结果的召回率 |
| Precision@5 | Precision at five | 前 5 个结果的精确率 |
| NDCG@10 | N-D-C-G at ten | 前 10 个结果的归一化折损累计增益 |
| HR@20 | H-R at twenty | 前 20 个结果的命中率 |
| MRR@10 | M-R-R at ten | 截取前 10 个结果计算的平均倒数排名 |
| Top-K | Top K | 排名前 K 的结果 |
| Top-10 | Top ten | 排名前 10 的结果 |
5.5 向量检索
| 缩写 | 常见读法 | 中文翻译 | 英文全称 |
|---|---|---|---|
| ANN | A-N-N | 近似最近邻 | Approximate Nearest Neighbor |
| KNN | K-N-N | K 近邻 | K-Nearest Neighbors |
| HNSW | H-N-S-W | 分层可导航小世界图 | Hierarchical Navigable Small World |
| FAISS | F-A-I-S-S,口头读法存在差异 | Facebook 人工智能相似度检索库 | Facebook AI Similarity Search |
| IVF | I-V-F | 倒排文件索引 | Inverted File Index |
| PQ | P-Q | 乘积量化 | Product Quantization |
| BM25 | B-M twenty-five | 最佳匹配 25 相关性算法 | Best Matching 25 |
ANN 在神经网络领域可指 Artificial Neural Network(人工神经网络),在向量检索领域通常指 Approximate Nearest Neighbor(近似最近邻)。理解缩写时需要结合上下文。
六、机器学习工具与计算术语
6.1 常见框架和工具
| 英文名称 | 常见读法 | 中文翻译或说明 |
|---|---|---|
| Python | /ˈpaɪθɑːn/ | Python 编程语言 |
| NumPy | NUM-pie | Python 数值计算库 |
| Pandas | /ˈpændəz/ | Python 数据处理库 |
| PyTorch | PIE-torch | PyTorch 深度学习框架 |
| TensorFlow | TEN-ser-flow | 张量流,深度学习框架 |
| Keras | /ˈkɛrəs/ | 神经网络高级接口 |
| Scikit-learn | SIGH-kit learn | Python 机器学习库 |
| XGBoost | X-G-Boost | 极端梯度提升算法工具 |
| LightGBM | Light-G-B-M | 轻量级梯度提升机 |
| CatBoost | Cat-Boost | 类别特征提升算法 |
| CUDA | KOO-duh | 统一计算设备架构 |
| Kaggle | KAG-uhl | 数据科学竞赛平台 |
| Hugging Face | HUG-ing Face | 机器学习模型与工具平台 |
| GitHub | Git-hub | Git 代码托管平台 |
NumPy 常读 NUM-pie,PyTorch 常读 PIE-torch,CUDA 常读 KOO-duh。
6.2 计算和训练缩写
| 缩写 | 常见读法 | 中文翻译 | 英文全称 |
|---|---|---|---|
| CPU | C-P-U | 中央处理器 | Central Processing Unit |
| GPU | G-P-U | 图形处理器 | Graphics Processing Unit |
| TPU | T-P-U | 张量处理器 | Tensor Processing Unit |
| VRAM | V-RAM | 显存 | Video Random Access Memory |
| RAM | /ræm/ | 随机存取存储器 | Random Access Memory |
| FLOPs | flops | 浮点运算次数 | Floating-Point Operations |
| API | A-P-I | 应用程序编程接口 | Application Programming Interface |
| FP16 | F-P sixteen | 16 位浮点格式 | 16-bit Floating Point |
| BF16 | B-F sixteen | 16 位脑浮点格式 | Brain Floating Point 16 |
| FP32 | F-P thirty-two | 32 位浮点格式 | 32-bit Floating Point |
| INT8 | int eight,或 I-N-T eight | 8 位整数格式 | 8-bit Integer |
| OOM | O-O-M | 内存不足 | Out of Memory |
| SOTA | SOH-tuh,或 S-O-T-A | 当前领先技术水平 | State of the Art |
FLOPs(浮点运算次数)与 FLOPS(每秒浮点运算次数)的技术含义不同,阅读论文时需要根据单位和上下文理解。
| 英文术语 | 国际音标 | 中文翻译 |
|---|---|---|
| Latency | /ˈleɪtənsi/ | 延迟 |
| Throughput | /ˈθruːpʊt/ | 吞吐量 |
| Ablation | /əˈbleɪʃən/ | 消融 |
| Benchmark | /ˈbentʃmɑːrk/ | 基准测试 |
| Checkpoint | /ˈtʃekpɔɪnt/ | 模型检查点 |
| Deployment | /dɪˈplɔɪmənt/ | 部署 |
| Profiling | /ˈproʊfaɪlɪŋ/ | 性能分析 |
| Acceleration | /əkˌseləˈreɪʃən/ | 加速 |
| Optimization | /ˌɑːptəməˈzeɪʃən/ | 优化 |
Ablation Study(消融研究)用于分析模型各组成部分的贡献。Latency(延迟)和 Throughput(吞吐量)常用于评估模型服务性能。
七、容易读错的术语
7.1 发音与重音
| 英文术语 | 国际音标 | 中文翻译 | 发音重点 |
|---|---|---|---|
| Sigmoid | /ˈsɪɡmɔɪd/ | S 形函数 | 第一个音节重读 |
| Embedding | /ɪmˈbedɪŋ/ | 嵌入表示 | 第二个音节重读 |
| Epoch | /ˈepək/ | 完整训练轮次 | 也可读 /ˈiːpɑːk/ |
| Gaussian | /ˈɡaʊsiən/ | 高斯的 | 开头发 /ɡaʊ/ |
| Bayesian | /ˈbeɪziən/ | 贝叶斯的 | 第一个音节重读 |
| Algorithm | /ˈælɡəˌrɪðəm/ | 算法 | 开头重读,注意 /ð/ |
| Attention | /əˈtenʃən/ | 注意力 | 第二个音节重读 |
| Transformer | /trænsˈfɔːrmər/ | 变换器模型 | FORM 重读 |
| Inference | /ˈɪnfərəns/ | 推理 | 第一个音节重读 |
| Precision | /prɪˈsɪʒən/ | 精确率 | 注意 /ʒ/ |
| Sequence | /ˈsiːkwəns/ | 序列 | 第一个音节重读 |
| Sequential | /sɪˈkwenʃəl/ | 序列相关的 | 第二个音节重读 |
| Parameter | /pəˈræmɪtər/ | 参数 | 第二个音节重读 |
| Retrieval | /rɪˈtriːvəl/ | 检索 | 第二个音节重读 |
| Quantization | /ˌkwɑːntəˈzeɪʃən/ | 量化 | ZAY 重读 |
| Hallucination | /həˌluːsɪˈneɪʃən/ | 幻觉 | NAY 重读 |
7.2 元音练习
Batch(批次)的 /æ/ 与英语 cat(猫)中的元音相同。Feature(特征)的 /iː/ 与 see(看见)中的元音相同。Sigmoid(S 形函数)开头的 /ɪ/ 是短元音,结尾的 /ɔɪ/ 与 boy(男孩)中的元音相同。
7.3 重音速查
| 英文术语 | 重音提示 | 中文翻译 |
|---|---|---|
| Algorithm | AL-gorithm | 算法 |
| Parameter | pa-RAM-eter | 参数 |
| Embedding | em-BED-ding | 嵌入表示 |
| Transformer | trans-FORM-er | 变换器模型 |
| Attention | a-TEN-tion | 注意力 |
| Retrieval | re-TRIEV-al | 检索 |
| Recommendation | recommen-DA-tion | 推荐 |
| Evaluation | eval-u-A-tion | 评估 |
| Classification | classifi-CA-tion | 分类 |
| Generation | gene-RA-tion | 生成 |
大写部分表示主重音所在音节。这些英文分段仅用于辅助练习。
八、总结
掌握术语的音标、重音与缩写读法,并结合英文全称和中文含义理解,有助于阅读论文和开展技术交流。
评论由 GitHub Giscus 提供。若当前网络无法加载,可 前往 GitHub Discussions 查看或参与讨论。