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
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
本文提出了 MVCNN 模型,结合了多个预训练的 Word Embeddings 版本和多粒度变尺寸的卷积核提取多粒度短语特征进行句子分类,并且证明了预训练模型对模型性能的重要性,该模型在小规模二分类、小规模多分类、大规模 Twitter 情感预测以及主观性分析等四个任务上取得了最先进的表现。
Mar, 2016
本文介绍了一种称为动态卷积神经网络的卷积架构,它使用动态 k-Max 池化进行句子的语义建模,并通过四项实验(二进制和多类情感预测,六路问题分类和推特情感预测)展示了出色的表现。
Apr, 2014
本文使用卷积神经网络并采用单词嵌入技术,通过对 Yelp 2017 挑战数据集业务评论进行多次实验处理,取得了与传统方法相当的分类效果。
Oct, 2017
本文通过敏感性分析探索了卷积神经网络的架构要素和超参数对句子分类任务的影响,并从实证结果中提出了使用 CNN 进行句子分类的实用建议。
Oct, 2015
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
该论文的第一部分介绍了词嵌入的必要性、创建方法、有趣的属性及其与图像嵌入的比较;第二部分实现了一个基于预训练词向量的卷积神经网络,用于几个句子级分类任务,取得了与最先进技术相当或领先的结果,说明与随机的词向量相比,预训练的词向量具有强大的能力。
Oct, 2016
本文研究了在文本分类中应用卷积神经网络,以利用文本数据的 1D 结构(即单词顺序)进行精确预测,并提出了一种简单但新颖的变异,即在卷积层中使用词袋转换。实验证明该方法与现有技术相比具有更高的准确性。
Dec, 2014
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