Feb, 2017

使用循环神经网络的科学话语中基于从句级别的结构化预测的实验分割

PDF
TL;DR本研究提出了一个基于深度学习的模型，通过序列标注和注意力机制，对科学文献中实验叙述中的结构进行识别，并比较了不同模型的效果和可能的应用。
deep learningsequence labelingrecurrent neural networkattention mechanisminformation extraction
发现论文，激发创造
  • 使用循环神经网络对句子顺序和连贯性建模

    通过端到端的无监督深度学习方法，可以有效地建立并评估理解连贯文本结构的模型，从而实现有用的文本表示方法，有利于句子语义相似性和重复检测等 NLP 任务的完成。

    Nov, 2016

  • 快速且准确的神经话语分割

    本文提出一种基于 BiLSTM-CRF 框架的端到端神经分割器，为了提高其准确性，我们解决了数据不足的问题，并使用自我注意机制捕捉了有用的邻域信息，实验结果表明，我们的模型在达到新的最佳性能的同时，比以前的方法快得多。

    Aug, 2018

  • 基于 RNN 的结构化预测模型在临床文本序列标注中的应用

    在临床领域中，序列标注是一种广泛使用的方法，其主要应用是从非结构化的自然语言数据中提取药物、指示和副作用等医学实体。本文通过使用具有循环神经网络的多种基于 CRF 的结构化学习模型，扩展了先前研究的 LSTM-CRF 模型，并提出了一种具有 RNN 位势的跳链 CRF 推理的近似版本，以实现各种医学实体的精确短语检测。

    Aug, 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

  • 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

  • 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

  • 大规模自然语言处理任务的上下文 LSTM（CLSTM）模型

    本文介绍了 CLSTM 模型，该模型将上下文特征（如主题）纳入模型中，在两个语料库上的实验结果表明，使用单词和主题作为特征可以提高模型在 NLP 任务中的性能，并在问题回答、句子完成、释义生成和对话系统中的下一句预测等 NL 应用程序中发挥重要作用。

    Feb, 2016

  • 使用递归卷积神经网络对神经心理测试叙事转录中的句子进行分割

    该研究通过使用循环卷积神经网络与韵律、词性等特征及单词嵌入，提出了一种自动句子分割方法，用于帮助机器自动识别语言障碍性痴呆疾病患者的语言，获得了比条件随机场模型更好的结果，为自动话语分析工具的发展提供了一定的参考。

    Oct, 2016

  • 医学摘要的分类分节：一系列序列分类任务

    本研究基于最先进的深度学习模型（SSN-4 模型），探讨了不同的模型组件对表现和复杂性之间的平衡，同时调整单词嵌入来提高性能，并提出了一个解决第一个模型中混淆的对的第二个模型。结果表明，SSN-4 模型似乎不适用于 RCT 数据集之外。

    Jan, 2022

  • 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