用户评论内容的深度学习审核
本文探讨了如何通过添加用户嵌入、用户类型嵌入、用户偏差或用户类型偏差来改进一种最先进的基于循环神经网络的评论审核方法,并在希腊新闻体育门户网站的约 160 万条用户评论数据集上实验,观察到在所有情况下都有改善,其中用户嵌入具有最大的性能提升。
Aug, 2017
本文提出了一个基于 Youtube 产品评论视频的首个数据集,以及一个新的关注 RNN 模型,用于方面提取和联合方面提取和情感分类,同时,该模型在 SemEvalABSA 语料库上提供了最先进的方面提取性能。
Aug, 2017
本文研究了基于循环神经网络(RNN)的提及检测系统的鲁棒性及其在信息提取中的应用,表明在英语的普通或跨领域的情况下,RNNs 不仅在通用情况下优于之前报告的最佳系统(最多可达 9%的相对错误降低),而且在荷兰语中表现出的命名实体识别相似任务中,RNNs 比传统方法显著优越(最多可达 22%的相对错误降低)。
Feb, 2016
采用一种基于循环神经网络(RNN)的深度注意力模型,学习序列式文章的不同隐藏表现以识别流言,并通过软注意力机制来提纯相关文章的相关部分,实验证明其能够更快、更准确地检测和辨别流言。
Apr, 2017
提出了一种基于编码器 - 解码器和 RNN 的自注意力神经网络模型,通过组合监督和强化学习来训练和生成连贯性和可读性更强的长文摘要,与目前最先进模型相比,在 CNN / Daily Mail 数据集上取得了 41.16 的 ROUGE-1 得分,并且人工评估表明我们的模型产生了更高质量的摘要。
May, 2017
本文提出一种基于分类概率排名的推荐系统,能够结合用户和文本内容的特征,帮助和支持在线新闻机构评论区的内容管理者在选择精选评论时进行决策。通过使用文本特征和用户内容特征,该系统在测试集上获得了 F1-score 为 0.44 的最佳分类,同时在一组大型验证文章上获得了 NDCG@5 均值的最优值为 0.87,最后,根据内容管理者的专业评估,该系统在精选评论上得分为 0.83,并得出结论:添加文本特征可获得最佳得分,尽管精选评论仍然有些主观性,但该系统的推荐评论仍然很适合大多数内容管理者。
Jul, 2023
提出了一种结合检索和生成方法的方法,使用关注模块检索有信息量和相关性的用户生成数据评论,然后与文章一起作为输入,使用具有复制机制的序列到序列模型。在大规模评论生成数据集上展示了该模型的稳健性并证明了其在 BLEU-1 得分方面比具有注意力机制的 Seq2Seq 和信息检索模型等强基线模型显着优越约 27 和 30 个 BLEU-1 点。
Oct, 2018
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
本文介绍了一种新的方法,使用图形结构双向 LSTM 对社交媒体上的串行讨论进行建模,该方法代表了分层和时间会话结构。在 Reddit 讨论的评论受欢迎程度预测任务中,实验表明,所提出的模型比节点独立架构在不同的输入特征集上表现更好。分析表明,该模型在整个讨论过程中都具有优势,可以提高早期和晚期的检测效果。此外,使用带有双向树状状态更新的语言提示有助于识别具有争议性的评论。
Apr, 2017