使用预训练字向量对卷积神经网络进行训练,支持 fine-tuning 并结合静态和动态字向量,以提高句子级分类准确率并在多项基准测试中超越现有技术。
Aug, 2014
本研究提出并比较了基于神经网络的 Net-Tagger 与基于 HMM 以及三元标注的标注器之间的表现,证明 Net-Tagger 与三元标注的表现相当且优于 HMM-tagger。
Oct, 1994
通过注意力图卷积网络以图形式建模词库中的信息,加强神经组合范畴语法(CCG)超标记,进而提高语法分析的准确性。实验结果表明,该方法在超标记和语法分析方面优于先前所有研究。
Oct, 2020
本文研究了在文本分类中应用卷积神经网络,以利用文本数据的 1D 结构(即单词顺序)进行精确预测,并提出了一种简单但新颖的变异,即在卷积层中使用词袋转换。实验证明该方法与现有技术相比具有更高的准确性。
Dec, 2014
本文探讨了适用于复杂形态和大标注集语言的神经字符基础形态标注,结合双向 LSTMs 建模跨单词上下文,发现网络架构和预训练词嵌入向量在‘简单’模型配置的情况下对准确度产生重要影响,通过增加深度优化神经网络可显著提高标注器准确度,最终德语和捷克语的最佳形态标注器性能显著优于文献中最好结果。
Jun, 2016
本文提出了一种名为 TextConvoNet 的基于卷积神经网络的体系结构,不仅可以提取句内 n-gram 特征,还可以捕获输入文本中的句间 n-gram 特征,进而优于现有的文本分类用的机器学习和深度学习模型。
Mar, 2022
本文研究了使用卷积神经网络的文本分类的新基准模型,在这些模型中,将文档作为三维张量表示进行输入,从而实现了句子级分析,经实验证明该模型在长文档特别表现良好。
Jan, 2023
本文介绍了基于图形的 Tree Adjoining Grammar (TAG) 解析器,并使用 BiLSTMs、Highway 连接和字符级 CNNs 来实现,该解析器在全局推理和特征表示方面具有先进性,在短语结构随从词性标注和解析方面性能显著优于以往的结果,并且在解析评估和无界依赖恢复方面实现了最先进的性能。
Apr, 2018
本研究探讨了将具有句子级上下文信息的递归神经网络用于初始化字符和单词级别的表示,并通过元模型进行同步训练来优化其性能,以实现词性标注和形态标记的最佳性能表现。
May, 2018
使用计算机视觉和深度学习 (卷积神经网络 - CNN) 构建高效的增强型顶夸克刻度器,采用多种方式提高 DeepTop 刻度器的性能,包括架构、训练、图像预处理、样本大小和颜色像素等,并在背景拒绝能力上比基于高级输入的 BDT 提高了约 2-3 倍,可直接推广到分类其他类型的喷注。
Feb, 2018