Jul, 2016

利用词嵌入和 LSTM 进行可操作和政治文本分类

PDF
TL;DR本文利用词嵌入和具有长短时记忆的神经网络进行文本分类，其中分类标准由应用背景决定。我们在行动能力和政治倾向两个应用领域进行了实验，证明了使用 LSTM 神经网络和词嵌入技术远优于传统技术。其中，我们为 30 多种语言构建了行动能力模型，并展示了这些模型在精度方面能达到 85% 左右。我们还展示了如何利用这些模型，以帮助公司代理人员优先处理需要处理的客户信息。
word embeddingslong short-term memorytext classificationactionabilitypolitical leaning
发现论文，激发创造
  • 使用长短期记忆网络的深度句子嵌入：分析和在信息检索中的应用

    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 LSTM 进行区域嵌入的监督和半监督文本分类

    本研究使用一种基于 LSTM 的区域嵌入方法，结合卷积层提高了基于文本分类任务的效果，并发现在这种任务中，区域嵌入是比单独词嵌入更有效的。

    Feb, 2016

  • 用于危机响应的深度学习和词嵌入的推文分类

    本文旨在研究使用不同神经网络和通用与领域特定词嵌入的应用能力，以提高推文分类模型的性能，结果表明 Bi-LSTM 模型使用通用词嵌入（如 GloVe）效果最佳，最高可达 62.04％的 F1 分数。

    Mar, 2019

  • BB_twtr 在 SemEval-2017 任务 4 中：使用 CNN 和 LSTM 进行 Twitter 情感分析

    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

  • Leap-LSTM: 提升文本分类的长短期记忆

    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

  • 一种用于文本分类的 C-LSTM 神经网络

    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

  • 一种结合 CNN 和 LSTM 模型的阿拉伯情感分析方法

    本文探讨了将 CNNs 和 LSTMs 相结合的好处，并在不同数据集上对阿拉伯语情感分析的准确性进行了改进，同时考虑了特定阿拉伯语单词的形态多样性。

    Jul, 2018

  • 从词袋到 transformers: 面向巴西葡萄牙语用户评论的文本分类嵌入生成

    本文分享了实验的结果，探讨在自然语言处理领域中，以仿射变换为基础的学习模型（Transformer-based Language Models，简称 TLM）作为最佳模型，实现对巴西葡萄牙语用户评论的情感分析，该研究对 Bag-of-Words 到 Transformer-based NLP 模型进行了评估。

    Dec, 2022

  • 多级产品类别预测通过文本分类

    应用先进的机器学习模型（特别是 LSTM 和 BERT）进行文本分类以预测零售行业中的多个类别，并演示了如何应用数据增强技术和焦点损失函数可以显著提高使用强大的巴西零售数据集将产品分类到多个类别的准确性。

    Mar, 2024

  • 基于目标依赖的情感分类有效的 LSTMs

    本研究提出了两种基于 LSTM 的目标相关情感分类模型，通过将目标词与上下文词的语义相关性进行建模，相比传统的 LSTM 模型，这种模型可以显著提高分类准确度，并取得了最新的最优性能。

    Dec, 2015