本论文通过对人工数据任务的实验,研究了基于树结构和基于序列的神经网络模型对于递归组合结构的应用效果。结果表明,基于序列的 LSTM 模型同样能够识别该结构并进行相应运用,但树结构模型在处理这种结构时表现更为出色。
Jun, 2015
提出一种考虑语法标签的递归神经网络 (RvNN) 架构,通过引入结构感知的标签表示,可以控制现有单词级树 LSTM 的组合函数,进而在情感分析和自然语言推理等句子级任务中取得了较优或有竞争力的表现。
Sep, 2018
介绍了 Tree-LSTM,一种适用于树状网络的 LSTM 结构,该系统表现优秀,可以应用于两个任务:预测两个句子的语义相关性和情感分类。
Feb, 2015
本文提出了一种名为 Tree Long Short-Term Memory (TreeLSTM) 的神经网络模型,它基于 LSTM 并专门用于预测树结构,同时通过明确表示左右句法相关性,提高了建模能力。在 MSR 句子完成挑战和依存分析重排序方面的应用,都达到了当前最先进技术水平的效果。
Oct, 2015
本文提出了一种 Tag-Guided HyperRecNN/TreeLSTM 模型来解决 Recursive Neural Network 模型在语义组合复杂性上存在的限制问题,并通过实验表明该模型在句子分类任务上表现优异。
Aug, 2018
使用强化学习学习树形神经网络,以计算自然语言句子的表示形式。优化树形结构以提高下游任务的性能,实验证明学习任务特定的组合顺序的好处,优于基于树库注释的顺序编码器和递归编码器。分析所发现的树形结构,发现了一些语言直观的结构,但这些结构与传统的英语句法结构是不同的。
Nov, 2016
本文提出了一种基于树结构的长短时记忆网络模型 S-LSTM,用于实现文本语义组合和自然语言理解,比现有基于递归的模型效果更佳。
Mar, 2015
本文提出 Continuous Recursive Neural Network (CRvNN) 作为递归神经网络(RvNN)的可替换方案,以解决传统 RvNN 在处理序列中诱导潜在结构方面的局限性,并通过在潜在结构中引入连续松弛来改进该方案,从而在逻辑推理和自然语言处理等多项任务中取得了显著表现。
Jun, 2021
本文提出了一种基于 RVG-TREE 的自然语言基础模型,其可以自动组成二叉树结构进行语言解析,并沿着树进行自底向上的视觉推理,实现更具解释性的推理效果。
Jun, 2019
该论文介绍了一种利用二进制语法树和 Tree-LSTM 组成的神经网络,可在自然语言图表解析器的帮助下同时优化组成函数和解析器,进而实现无监督的树形 RNN,并在文本蕴涵任务和反向字典任务中表现优越。
May, 2017