使用 LSTM 进行区域嵌入的监督和半监督文本分类
本文提出了一种新的半监督框架,利用卷积神经网络 (CNNs) 进行文本分类。与以往的方法依赖于词嵌入不同,我们的方法从未标记的数据中学习小文本区域的嵌入,并将其整合到受监督的 CNN 中。我们的模型在情感分类和主题分类任务上比以前的方法取得更好的结果。
Apr, 2015
本文提出 C-LSTM 模型,结合了 CNN 和 RNN 的优点,用于句子表示和文本分类,实验结果表明 C-LSTM 比 CNN 和 LSTM 表现更好,可在这些任务中取得出色的性能。
Nov, 2015
本文提出一种结合了 LSTM 和 CNN 模型的组合模型 (LSTM-CNN),利用词嵌入和位置嵌入来实现跨句子 n 元关系抽取。该模型利用了 LSTMs 和 CNNs 的特性,同时利用长距离的顺序信息和捕获大部分信息特征,是跨句子 n 元关系抽取的一种有效模型。该模型在标准数据集上进行评估,表现明显优于 CNN、LSTM 以及组合 CNN-LSTM 模型,并且优于当前跨句子 n 元关系抽取研究的最新成果。
Nov, 2018
本文提出了一种基于循环神经网络和长短时记忆单元的句子嵌入模型,该模型能够自动侦测句子中关键词和主题,从而进行网络文档检索等艰难的语言处理任务,并在性能上显著优于现有的先进方法。
Feb, 2015
使用卷积神经网络与长短时记忆网络,我们成功实现了最先进的 Twitter 情感分类器,通过海量无标注数据来预训练词向量,然后使用少量无标注数据通过远程监督来微调嵌入向量,最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调,使用了集成学习方法,我们在所有五个英文子任务中均排名第一。
Apr, 2017
提出了 Leap-LSTM, 一种 LSTM 增强模型,可以动态跳跃读取文本以提高长文本处理效率。在对情感分析、新闻分类、本体分类和主题分类等任务进行实验评估后发现,相比标准 LSTM 模型,Leap-LSTM 能够更快速地读取文本并获得更好的预测性能和效率平衡。
May, 2019
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
本文提出自适应区域嵌入 (Adaptive Region Embedding) 算法,通过学习上下文表示来改善文本分类性能,实现了优异的结果且避免了词义的不确定性。
May, 2019
本文探讨了通过在完全卷积神经网络中增加长短时记忆循环神经网络分支(LSTM RNN sub-modules)来进行时间序列分类的方法,通过使用注意力机制(Attention mechanism)优化模型以及微调(fine-tuning)等方法可以显著提高模型性能。LSTM-FCN 的性能比其他模型表现更出色。
Sep, 2017
本文在图像字幕生成方面,提出了一种仅利用卷积神经网络生成字幕的框架,通过并行计算,训练速度比基于 LSTM 的模型快 3 倍,同时在 MSCOCO 图像字幕数据集上获得了比 LSTM 更高的评估得分。
May, 2018