ACLMar, 2017
DRAGNN：用于动态连接神经网络的基于转移的框架
DRAGNN: A Transition-based Framework for Dynamically Connected Neural Networks
Lingpeng Kong, Chris Alberti, Daniel Andor, Ivan Bogatyy, David Weiss
TL;DR本文提出了一种紧凑，模块化的框架，用于构建新的循环神经网络结构，并介绍了一个基本模块 —— 转换型循环单元 (TBRU)，它不仅具有隐藏层激活函数，而且还能够动态地构建网络连接，多个 TBRU 连接后能延伸和组合常用网络，最终实现更准确的多任务学习和提取性摘要，我们称之为 DRAGNN。实验结果表明 DRAGNN 在句法依赖分析方面的准确率和效率都显著优于带注意力机制的 seq2seq 结构，并为提取性摘要任务提供更准确的多任务学习效果。