CRNN：一种用于冗余检测的联合神经网络

Jun, 2017

CRNN：一种用于冗余检测的联合神经网络

CRNN: A Joint Neural Network for Redundancy Detection

Xinyu Fu, Eugene Ch'ng, Uwe Aickelin, Simon See

TL;DR本文提出了一种新的框架，用于检测监督句子分类中的冗余。我们的模型结合字符感知卷积神经网络（Char-CNN）和字符感知循环神经网络（Char-RNN）形成卷积循环神经网络（CRNN）。我们比较了我们的框架与四个流行基准语料库上的最先进的文本分类算法，包括 Google-news 数据集、twenty-new-groups 数据流、Brown Corpus、question collection 的效果，并分析了三种不同的 RNN 隐性循环单元的性能和运行效率的影响。我们的模型在各个数据集上都取得了具有竞争力的精度和召回率，这表明我们的模型在文本分类中能够有效地降低监督句子分类的冗余。

Abstract

This paper proposes a novel framework for detecting redundancy in supervised sentence categorisation. Unlike traditional singleton neural network, our model incorporates character-aware convolutional neural network (Char-CNN) with character-aware recurrent neural network (Char-RNN) to form a convolutional recurrent neural network (CRNN). Our model benefits f

supervised sentence categorisation convolutional recurrent neural network text classification recurrent cells embeddings

发现论文，激发创造

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

卷积循环神经网络用于音乐分类

本研究引入了一种卷积循环神经网络（CRNN）进行音乐标记。研究中对比了使用 CNN 的三种不同结构来进行音乐标记的性能和每个样本的训练时间，并表明相对其他模型，CRNN 具有更好的效果和更少的参数和更快的训练时间，表明其混合结构在音乐特征提取和特征总结中的有效性。

Sep, 2016

CNN-RNN：一种多标签图像分类的统一框架

本文提出了一种基于卷积神经网络和循环神经网络的框架，用于多标签图像分类，通过学习图像标签嵌入特征，显式地利用了图像标签之间的关联性，拥有较好的分类性能。

Apr, 2016

基于密集连接网络的字符级特征提取

本文中提出了一种使用密集连接网络自动提取字符级特征的新方法，该方法不需要任何语言或任务特定的假设，在三个序列标注任务 - 槽填充、词性标注和命名实体识别 - 上表现出 robustness 和效力，以 96.62 的 F1-score 和 97.73％的准确度在槽填充和词性标注上获得了最先进的性能，同时在 NER 上可比的表现达到了 91.13 的 F1 得分

Jun, 2018

无约束文本识别的深度结构化输出学习

本研究提出一种基于卷积神经网络和条件随机场的模型，通过预测字符和 N-grams 以识别自然图像中词语，同时实现多任务学习，无需有固定的单词列表，实验证明其在标准实际文本识别基准中的准确性优于仅预测字符，也达到了有限词汇识别的最高精度。

Dec, 2014

利用图卷积循环神经网络进行结构化序列建模

本文介绍了图卷积循环网络（GCRN），这是一种深度学习模型，能够预测结构化数据序列。GCRN 是经典递归神经网络（RNN）在任意图结构数据上的泛化。该模型将图上的卷积神经网络 (CNN) 与 RNN 相结合，以找出动态模式和空间结构，并将其应用于 MNIST 数据预测和 Penn Treebank 数据集的自然语言建模。实验表明，同时利用数据的图空间和动态信息可以提高精度和学习速度。

Dec, 2016

GRN: 用门控关系网络增强卷积神经网络以提升命名实体识别性能

本文提出了一种基于 gated relation network 的卷积神经网络模型，用于更好地捕捉词汇间的长期关联以用于命名实体识别，实验结果表明，该模型可以在 CoNLL2003 和 Ontonotes 5.0 数据集上实现最先进的性能。

Jul, 2019

CSRN：面向新闻检索的协作式序列推荐网络

本文提出了一种基于深度神经网络的协同式时序推荐网络（CSRNs）框架，将利用用户最近的浏览历史来预测未来事项的 RNN 序列推荐方法与 UserCF 的关键想法相结合，考虑到新闻阅读中的社会影响，通过建立用户之间的定向共读网络来捕捉细粒度的主题特定的相似性，并利用邻居模型来选择新闻文章并进行个性化推荐，实验表明，该模型明显优于现有的最先进方法。

Apr, 2020

卷积字符网络

本文提出了 CharNet 模型，是一种单阶段模型，能够同时处理文本检测和识别，输出包围框和对应字符标签，并采用迭代式字符检测方法，在三个标准基准测试中表现出对现有方法显著的性能改进。

Oct, 2019

结合循环神经网络和卷积神经网络进行关系分类

本文针对 SemEval 2010 关系分类任务，研究了两种不同的神经网络结构：卷积神经网络和循环神经网络。我们分别演示了模型不同结构的效果，并提出了一种针对卷积神经网络的新型上下文表示法和针对连接主义双向循环神经网络的排名损失优化方法。最后，我们展示了使用简单投票方案将卷积神经网络和循环神经网络结合起来可以提高结果的准确性。我们的神经模型在 SemEval 2010 关系分类任务上获得了最先进的结果。

May, 2016