ACLMay, 2016

结合循环神经网络和卷积神经网络进行关系分类

PDF
TL;DR本文针对 SemEval 2010 关系分类任务，研究了两种不同的神经网络结构：卷积神经网络和循环神经网络。我们分别演示了模型不同结构的效果，并提出了一种针对卷积神经网络的新型上下文表示法和针对连接主义双向循环神经网络的排名损失优化方法。最后，我们展示了使用简单投票方案将卷积神经网络和循环神经网络结合起来可以提高结果的准确性。我们的神经模型在 SemEval 2010 关系分类任务上获得了最先进的结果。
neural architecturesrelation classificationconvolutional neural networksrecurrent neural networkssemeval 2010
发现论文，激发创造
  • 结合神经网络和对数线性模型以提高关系提取效果

    本文提出了一种将传统基于特征的方法、卷积神经网络以及循环神经网络相结合的方法，以在关系提取任务上取得最先进的结果。

    Nov, 2015

  • 基于循环神经网络的关系分类

    本文提出了一种基于循环神经网络的简单框架，并将其与基于卷积神经网络的模型进行比较。该模型在处理句子关系分类问题时具有学习长距离依赖关系模式的优点，并在使用 MIMLRE 数据集的实验中表现出优异的性能。

    Aug, 2015

  • ETH-DS3Lab 于 SemEval-2018 任务 7 中的表现：有效地结合循环和卷积神经网络进行关系分类和提取

    本文提出了基于卷积神经网络和循环神经网络集成的关系分类和抽取系统，在 SemEval 2018 任务 7 的 4 个子任务中中有 3 个排名第一。我们提供了设计选择背后最相关特征的详细解释和论据，并分析了它们的重要性。

    Apr, 2018

  • 卷积和递归神经网络相结合进行情感分析

    研究了句子级情感分析中使用的卷积神经网络和递归神经网络的局限性以及利用转移学习和词嵌入等技术来优化这些方法，并提出结合两种网络的新型网络结构，此结构相对于先前的方法表现更优，性能相当于 Stanford 情感树库的最先进的系统。

    Jan, 2018

  • 使用深度递归神经网络及数据增强的关系分类改进

    本文提出深度递归神经网络（DRNNs）用于关系分类，并结合关系方向性提出数据增强方法，在 SemEval-2010 任务 8 上的实验中取得 86.1％的 F1 值，优于以往的记录成果。

    Jan, 2016

  • 利用卷积神经网络对临床文本中医疗关系进行分类

    本研究提出了一种使用多池化操作的卷积神经网络（CNN）架构，并探索了带有类别级别约束矩阵约束的损失函数，用于医疗关系分类在临床记录中，实验表明这些模型在不使用任何外部特征的情况下优于以前的单模型方法，并且我们最佳模型与现有的集成方法竞争力强。

    May, 2018

  • 使用卷积神经网络进行等级排名的关系分类

    本文提出了一种基于卷积神经网络的分类方法，通过采用新的成对排名损失函数来降低人工类的影响，在 SemEval-2010 任务 8 数据集上取得了 84.1 的准确度，超过了使用 softmax 分类器的方法，证明了仅使用单词嵌入作为输入功能就足以实现最先进的结果。

    Apr, 2015

  • 基于循环和卷积神经网络的连续短文本分类

    本文介绍了一种基于递归神经网络和卷积神经网络的模型，可以在分类下一个短文本时利用前面的短文本，该模型在三个不同的数据集上取得了最先进的对话行为预测结果。

    Mar, 2016

  • 基于长短时记忆和卷积神经网络的跨句子 n 元关系抽取

    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

  • MIT 在 SemEval-2017 Task 10 中使用卷积神经网络进行关系提取

    本文介绍了一种基于卷积神经网络的系统，用于提取科学文章中的关系，其基于人工神经网络进行关系提取的方法近期得到了研究。该模型在 SemEval-2017 任务 10（ScienceIE）中的科学文章关系提取（子任务 C）中排名第一。

    Apr, 2017