本论文提出了多模态卷积神经网络 (m-CNNs),用于匹配图像和句子。该网络结构采用卷积架构来利用图像表示、单词组合和两种模态之间的匹配关系。实验结果表明,我们的 m-CNNs 可以有效地捕捉图像和句子匹配所需的信息,并在 Flickr30K 和 Microsoft COCO 数据库的双向图像和句子检索上取得了最先进的性能。
Apr, 2015
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
本研究提出了一种将文本匹配建模为图像识别问题的方法,即通过构造匹配矩阵并利用卷积神经网络捕捉匹配模式,以此提高匹配准确度,并通过实验证明了该方法的优越性。
Feb, 2016
本文提出了卷积神经网络来学习问题和回答句子的最佳表现形式,并使用成对匹配的关系信息进行编码,这使得神经网络可以更好地捕捉到问题和答案之间的交互作用,从而有效地提高了准确性。
Apr, 2016
使用卷积神经网络对实体链接中的上下文信息进行建模,以获取语义对应关系,结合稀疏线性模型,实现了多种实体链接数据集的最佳结果。
本文提出了一种基于 DenseNet 的密集连接共同注意递归神经网络来处理句子匹配问题,并在竞争激烈的基准数据集上验证了其在注意特征和重要信息方面的优势,实现了最先进的性能水平。
May, 2018
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
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
本文分析了几种神经网络设计(及其变体),对八个数据集进行了广泛的比较,包括释义识别、语义文本相似性、自然语言推断和问题回答等任务。我们提供了一个系统的研究,表明编码上下文信息的 LSTM 和句间交互至关重要,而 Tree-LSTM 并不能像先前宣传的那样有所帮助,但却出人意料地提高了 Twitter 数据集的性能;增强顺序推理模型是迄今为止较大数据集的最佳选择,而基于词对交互的模型在较少数据可用时实现最佳性能。我们将我们的实现作为开源工具包发布。
Jun, 2018
本文研究了两种神经网络结构用于学习图像和语言之间的相似性,其中一种网络结构学习了一个共享的潜在嵌入空间,另一种网络结构通过元素乘积将两个数据模态融合,并且实现了对于句子和图像的双向检索,取得了良好的结果。
Apr, 2017