ACLNov, 2016

依赖敏感卷积神经网络用于建模句子和文档

PDF
TL;DR本研究旨在通过 Dependency Sensitive Convolutional Neural Networks (DSCNN) 分类系统实现句子和文档的表示，不需要依靠解析器和昂贵的短语标记，拓展了句子层级处理的任务范围，并以其在情感分析、问题分类和主观分类等任务中取得的最新表现获得了验证。
dscnnconvolutional neural networksentence modelingdocument modelingnatural language processing
发现论文，激发创造
  • 基于依存关系的卷积神经网络用于句子嵌入

    该研究提出了一种基于树的卷积神经网络模型，结合深度学习和语言结构，利用单词之间的各种长距离关系来提高情感分类和问题分类任务的准确性，并在 TREC 数据集上取得了最高的准确性。

    Jul, 2015

  • 建模句子的卷积神经网络

    本文介绍了一种称为动态卷积神经网络的卷积架构，它使用动态 k-Max 池化进行句子的语义建模，并通过四项实验（二进制和多类情感预测，六路问题分类和推特情感预测）展示了出色的表现。

    Apr, 2014

  • SLCNN：用于文本分类的句子级卷积神经网络

    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

  • 使用单个卷积神经网络建模，可视化和摘要文档

    通过提出一种基于动态卷积神经网络的模型，在不需要特征工程的情况下，能够从低级别的词汇特征到高级别的语义概念逐级学习，从而有效地在文档建模任务中学习到文档的含义，同时提出一种新的可视化技术，能够提供有关文档网络学习过程的见解，产生一种引人注目的文本自动摘要系统。

    Jun, 2014

  • 基于树形卷积的辨别神经句子建模

    本研究提出了一种基于树的卷积神经网络（TBCNN），用于区分性句子建模。文章通过 constituency trees 或 dependency trees 提取句子的结构特征，并通过最大池聚合这些特征。我们评估了我们的模型在情感分析和问题分类两个领域的表现，TBCNN 的表现均优于以前的最新结果，包括现有的神经网络和专门的特征 / 规则工程方法。我们还努力可视化基于树的卷积过程，来解释我们的模型工作原理。

    Apr, 2015

  • 使用卷积神经网络学习通用的句子表示

    本文提出了基于 CNN 编码器和 LSTM 解码器的分布式句子表征学习方法，旨在实现对多种任务的应用。作者通过训练模型在大规模小说数据集上获得高通用性的卷积句子编码器，并通过多项实验表明该模型在各类应用中均优于竞争方法。

    Nov, 2016

  • 基于 LSTM 的深度神经网络，关注于句子表示，用于医学科学摘要中的序列句子分类

    医学摘要中的连续句子分类任务（SSC）使用多级深度学习模型，包括 LSTM-based 网络和分层结构，来提取句子嵌入，进而实现更好的分类性能。

    Jan, 2024

  • 一种基于递归卷积神经网络的依存句法分析器重新排序模型

    该研究提出了一种新的递归卷积神经网络（RCNN）体系结构，用于在依存树中建模节点，并在依存分析结果上取得了很好的效果。

    May, 2015

  • 用于话语组成性的循环卷积神经网络

    本文介绍用于语义向量计算的卷积神经网络和用于序列句子和说话人交互的循环神经网络，结合起来用于对话行为分类实验，取得了最先进的表现。

    Jun, 2013

  • 基于上下文信息的深度神经网络语句级分类方法

    提出了一种新的句子分类方法 Context-LSTM-CNN，利用了与被分类句子相邻的句子形成的上下文和 LSTM 处理被分类句子的远距离依赖关系以及使用了基于 CNN 的短跨度特征。该方法在两个不同的数据集上始终优于以前的方法。

    Aug, 2018