ACLSep, 2016

S-MART: 面向推文实体链接的基于树的新型结构化学习算法

PDF
TL;DR本文提出了 S-MART，这是一种基于多个添加回归树的基于树的结构学习框架，特别适用于处理密集特征的任务，并可用于在各种损失函数下学习许多不同的结构。我们将 S-MART 应用于推文实体链接任务，并提出了一种新颖的推断算法来处理任务的特殊结构，实验结果表明，S-MART 显著优于最先进的推文实体链接系统。
发现论文，激发创造
  • 树状长短期记忆网络改进语义表征

    介绍了 Tree-LSTM，一种适用于树状网络的 LSTM 结构，该系统表现优秀，可以应用于两个任务：预测两个句子的语义相关性和情感分类。

    Feb, 2015

  • SMART：基于属性文法的代数故事问题情境模型

    本文介绍了一种采用属性语法表示情景模型的代数故事问题求解器（SMART），它通过信息提取模块从问题文本中提取节点、属性和关系，然后根据预定义的属性语法生成解析图，并提出了一种迭代学习策略，以进一步提高模型的性能，并通过严格研究此任务来改进模型在此任务上的性能。我们的模型在较复杂的问题上也表现出了优异的泛化能力。

    Dec, 2020

  • 树结构上的长短期记忆

    本文提出了一种基于树结构的长短时记忆网络模型 S-LSTM，用于实现文本语义组合和自然语言理解，比现有基于递归的模型效果更佳。

    Mar, 2015

  • 用于改进情感分析的结构化注意力神经网络

    本文提出了一种基于树形结构的注意力神经网络模型，用于情感分类问题。该模型使用自下向上和自上而下的信息传播结合语法树中节点周围的结构信息。模型在构建句法树时，利用结构注意力识别最显著的表示。实验结果表明，该模型在斯坦福情感树库数据集上实现了最先进的性能表现。

    Jan, 2017

  • 一种优化分类树学习的新型记忆策略

    本文提出一种新颖的演化算法，结合可行解空间的探索和局部搜索，用于归纳分类树，以达到具有一般化能力的结构，其表现与最先进的方法相当，并适用于包含成千上万数据点的数据集。

    May, 2023

  • 使用带有注意力机制的树形结构长短期记忆网络进行日语情感分类

    使用树形 LSTM 和注意力机制，无需短语级标注语料库，在日本情感分类任务中达到了最先进的性能。

    Apr, 2017

  • 语义实体检索工具

    本文介绍了一种语义实体检索工具箱（SERT），可提供不同的表征学习算法、细粒度解析配置和与 GPU 透明化的统一接口，并可用于排列实体、提取学习的实体 / 单词表征来进行下游算法，如聚类或推荐。

    Jun, 2017

  • 自顶向下的树形长短期记忆网络

    本文提出了一种名为 Tree Long Short-Term Memory (TreeLSTM) 的神经网络模型，它基于 LSTM 并专门用于预测树结构，同时通过明确表示左右句法相关性，提高了建模能力。在 MSR 句子完成挑战和依存分析重排序方面的应用，都达到了当前最先进技术水平的效果。

    Oct, 2015

  • 文档网络的分层关系模型

    本文提出了一种关系主题模型，可以用于文档网络的摘要、链接预测和内部词汇预测等方面，并基于变分方法构建了高效的推断和估计算法。

    Sep, 2009

  • 利用无监督树形 LSTMs 联合学习句子嵌入和句法

    该论文介绍了一种利用二进制语法树和 Tree-LSTM 组成的神经网络，可在自然语言图表解析器的帮助下同时优化组成函数和解析器，进而实现无监督的树形 RNN，并在文本蕴涵任务和反向字典任务中表现优越。

    May, 2017