IJCAIApr, 2016

Match-SRNN：使用空间 RNN 建模递归匹配结构

PDF
TL;DR本文利用深度学习的方法，提出了一种名为 Match-SRNN 的神经网络结构，用于解决语义匹配问题，该方法将两个文本之间的全局互动生成视为递归过程，并通过构建张量和使用空间递归神经网络来模拟匹配结构，实验结果表明该模型在两个语义匹配任务中表现出色。
semantic matchingnlpdeep learningmatch-srnntext interaction
发现论文，激发创造
  • 一种用于多位置句子表示的语义匹配深层架构

    本文介绍了一种双向长短时记忆网络（Bi-LSTM）生成的多重位置句子表示来匹配两个句子的新型深度体系结构。 实验证明，该模型具有丰富的整个句子上下文信息和灵活性，可以捕捉句子中不同的重要局部信息来支持匹配。

    Nov, 2015

  • 通过循环神经网络实现图像匹配

    本文提出一种新颖的循环神经网络（循环 RNN），通过递归地查看两个图像的特定 / 相关部分并在最终迭代中输出综合匹配分数，从而聚合两个输入图像的关系信息。在几个图像匹配基准测试中进行的大量实验证明了所提出方法的巨大潜力。

    Jun, 2017

  • 结构化递归神经网络：时空图上的深度学习

    本文提出了一种结合高级时空图和序列学习成功的递归神经网络（RNN）的方法，通过将任意时空图转化为丰富的 RNN 混合物来提高模型性能，适用于模拟人类运动到对象交互等多种问题领域。

    Nov, 2015

  • 卷积神经网络架构匹配自然语言句子

    本篇研究提出了一种卷积神经网络模型来匹配两个句子，并应用于不同语言和不同性质的匹配任务中，实验证明该模型表现出了良好的性能和比竞争模型更优的结果。

    Mar, 2015

  • 文本匹配作为图像识别

    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

  • TopicRNN: 一种具有长程语义依赖的循环神经网络

    本文提出了基于 TopicRNN 的语言模型，它结合了 RNN 和潜在主题模型的优点，能够捕捉本地（句法）和全局（语义）依赖关系，并更好地预测单词。实证结果表明，TopicRNN 在单词预测方面优于现有的上下文 RNN 基线，并且可以作为无监督特征提取器用于情感分析。

    Nov, 2016

  • 稠密连接循环和协同信息的语义句子匹配

    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

  • 神经多序列对齐技术（NeuMATCH）

    本文提出了一种基于神经网络的、端到端的异构数据（视频到文本）对齐方法，采用长短时记忆（LSTM）模块栈移动数据进行对齐操作，避免了已有方法中的局限性和缺陷，并在半合成和实际数据上取得了领先于现有技术的表现。

    Feb, 2018

  • DEIM：一种有效的句子匹配深度编码与交互模型

    通过深度编码和交互来提取深层语义信息的句子匹配方法，使用自注意机制和双向注意机制获得深层语义信息并进行分类，适用于文本蕴含识别、释义识别和答案选择，实验证明其可有效提取深层语义特征并验证其在句子匹配任务中的有效性。

    Mar, 2022

  • 知识增强的文本匹配混合神经网络

    采用先验知识辅助在长文本中进行语义匹配，提出了一种知识增强混合神经网络（KEHNN），该模型通过知识门将先验知识融入单词表示中，并建立了三个匹配通道，最终实现对句子的局部和全局语境进行匹配的高检索性能。

    Nov, 2016