文本文件中什么是相关的？：一种可解释的机器学习方法

Dec, 2016

文本文件中什么是相关的？：一种可解释的机器学习方法

"What is Relevant in a Text Document?": An Interpretable Machine Learning Approach

Leila Arras, Franziska Horn, Grégoire Montavon, Klaus-Robert Müller, Wojciech Samek

TL;DR本文介绍了如何使用机器学习模型解释文本分类的决策过程以及如何生成基于词向量的文档表示方法。通过对两个不同类型的模型进行比较，表明卷积神经网络在可解释性方面的优势，也使得它更具有人类可理解性，并有潜力应用于其他领域。

Abstract

Text documents can be described by a number of abstract concepts such as semantic category, writing style, or sentiment. machine learning (ML) models have been trained to automatically map documents to these abstract concepts, allowing to annotate very large text collections, more than

machine learning text classification explanation convolutional neural network bag-of-words

发现论文，激发创造

文本处理与检索方法的可解释性：一项关键调查

本文全面调研了针对词嵌入、序列建模、注意力模块、Transformer、BERT 以及文档排名的机器学习和自然语言处理研究的可解释性和解释性方法，最后提出了未来的研究方向。

Dec, 2022

NLP 中非线性分类器预测解释

本研究使用层内重要性传播技术（LRP）首次探究其在自然语言处理（NLP）中的应用，特别是用于解释卷积神经网络（CNN）在主题分类任务中的预测结果，并通过多项实验验证 LRP 方法解释 CNN 预测的适用性，实验结果于最近的图像分类研究结果相符。

Jun, 2016

评估循环神经网络解释

研究通过将每个输入变量分配相关性来解释递归神经网络（RNNs）的预测，并评估了不同的方法以及它们如何对情感预测建立句子级表征。

Apr, 2019

生物医学信息检索中文本相关性的快速深度学习模型

通过深度学习模型计算关键词和生物医学文献之间的相似度得出相关度评分，以此来解决生物医学文献检索中的关联问题，并成功的胜过了其他最先进的深度学习方法。

Feb, 2018

深入探究深度学习模型：基于归因的 TextCNN 解释

本文提出了一种基于 Convolutional Neural Networks 的特征评估方法用于比较 LRP 与 saliency map 两种模型解释方法的效果，依据实验研究结果，我们采用嵌入式特征的删减而非删减权重高的单词，并在文本分类的应用领域提供了一种可视化工具来辅助分析人员理解模型的结果。

Nov, 2018

RelevAI-Reviewer：一项关于调查论文相关性的人工智能评审基准测试

提出了一种自动系统，将调查论文审查任务概念化为一个分类问题，采用机器学习模型测定与指定主题相关的论文的相关性，并且通过使用 BERT 等高级语言模型，取得了优于传统机器学习方法的初步结果。

Jun, 2024

使用机器学习模型对文本进行分类并确定对话偏移

该研究旨在使用自然语言特征提取方法在机器学习中，将朴素贝叶斯、逻辑回归和支持向量机等基本模型用于检测讨论线路偏离主题时教师必须介入的情况，从而实现文本分类和语义分析。

Nov, 2022

使用文本分类的伪相关反馈：最简单的可行之事

本文提出了一种基于文档相关性分类器的技术，使用来自经过排序的初始列表的伪标签，然后将分类器应用于重新排列检索到的文档，以解决伪相关反馈的问题。该技术可以显著提高多个新闻集合的结果，包括使用词袋模型 BM25 以及精调查询扩展模型。

Apr, 2019

深度学习相应：创造相关信息（与检索不同）

论文研究了信息检索系统不仅可以检索与查询相关的信息，而且可以将其 “理解” 并综合成一个单一的文档，使用递归神经网络进行深度学习来人工合成文档，通过众包实验评估文档的相关性。

Jun, 2016

数学问题中相关和不相关句子的联合概率分类模型

论文提出利用文本分类来辨别数学问题中的有关和无关句子，并提出了一种新颖的联合概率分类模型，其利用所有句子之间以及问题句子和其他句子之间的相关性和句子文本来估计数学问题中所有句子的分类决策的联合概率。结果表明，该模型和利用问题句子和其他句子之间的相关性的新型 SVM 分类器是有效的。另外，经验结果和分析表明，不删除停用词和利用词性标注虽然对数学问题类型分类相关任务有效，但对该任务并没有显著的改善。

Nov, 2014