建模句子的卷积神经网络
本研究旨在通过 Dependency Sensitive Convolutional Neural Networks (DSCNN) 分类系统实现句子和文档的表示,不需要依靠解析器和昂贵的短语标记,拓展了句子层级处理的任务范围,并以其在情感分析、问题分类和主观分类等任务中取得的最新表现获得了验证。
Nov, 2016
本文介绍了一种新颖的深度学习框架,包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则,然后使用深度卷积神经网络(DeepCNN)进行字符级嵌入,以增加词级嵌入的信息。然后,双向长短期记忆网络(Bi-LSTM)从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明,我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。
Jun, 2017
本文提出了基于 CNN 编码器和 LSTM 解码器的分布式句子表征学习方法,旨在实现对多种任务的应用。作者通过训练模型在大规模小说数据集上获得高通用性的卷积句子编码器,并通过多项实验表明该模型在各类应用中均优于竞争方法。
Nov, 2016
本文提出了一种名为 TextConvoNet 的基于卷积神经网络的体系结构,不仅可以提取句内 n-gram 特征,还可以捕获输入文本中的句间 n-gram 特征,进而优于现有的文本分类用的机器学习和深度学习模型。
Mar, 2022
本文研究了使用卷积神经网络的文本分类的新基准模型,在这些模型中,将文档作为三维张量表示进行输入,从而实现了句子级分析,经实验证明该模型在长文档特别表现良好。
Jan, 2023
该研究提出了一种基于树的卷积神经网络模型,结合深度学习和语言结构,利用单词之间的各种长距离关系来提高情感分类和问题分类任务的准确性,并在 TREC 数据集上取得了最高的准确性。
Jul, 2015
本研究提出了一种基于树的卷积神经网络(TBCNN),用于区分性句子建模。文章通过 constituency trees 或 dependency trees 提取句子的结构特征,并通过最大池聚合这些特征。我们评估了我们的模型在情感分析和问题分类两个领域的表现,TBCNN 的表现均优于以前的最新结果,包括现有的神经网络和专门的特征 / 规则工程方法。我们还努力可视化基于树的卷积过程,来解释我们的模型工作原理。
Apr, 2015
通过提出一种基于动态卷积神经网络的模型,在不需要特征工程的情况下,能够从低级别的词汇特征到高级别的语义概念逐级学习,从而有效地在文档建模任务中学习到文档的含义,同时提出一种新的可视化技术,能够提供有关文档网络学习过程的见解,产生一种引人注目的文本自动摘要系统。
Jun, 2014