COLINGNov, 2017

高阶 LSTM 在序列数据分割和标记中是否具有更好的准确性？

PDF
TL;DR我们提出了一个名为高阶 LSTM 的模型，它可以预测当前标记的多个标签，然后我们提出了称为 MO-BiLSTM 的新方法，结合了低阶和高阶 LSTMs，用于所有短语分块和 NER 数据集，实验结果表明 MO-BiLSTM 在分块方面达到了最先进的结果，在两个 NER 数据集中也取得了竞争力极强的结果。
neural modelslstm-crfhigh-order lstmmo-bilstmchunking
发现论文，激发创造
  • 序列标注的双向 LSTM-CRF 模型

    本文研究了基于 LSTM 模型的序列标注技术，通过引入双向 LSTM 和条件随机场 (CRF) 层提高了模型的准确性和鲁棒性，实现了对 POS、chunking 和 NER 等序列标注数据集的最先进性能。

    Aug, 2015

  • 分层细化标签注意力网络用于序列标注

    提出一种基于层级注意力机制的标签嵌入模型，较传统的 BiLSTM-CRF 有更好的标签序列表示性能，能显著提高词性标注、实体识别和语法标记任务的标注效果并缩短训练和测试时间。

    Aug, 2019

  • 多标签分类的无序循环模型

    本文提出一种动态排序正解标签的方法，用于多标签分类任务，以加快更优 LSTM 模型的训练。实验证明，该方法避免了生成重复标签，并超过了其他 CNN-RNN 模型的性能，证明了在挑战性的数据集上使用标准结构的图像编码器和语言解码器采用提出的损失函数可以得到最先进的结果。

    Nov, 2019

  • 一个统一的标注解决方案：使用词嵌入的双向 LSTM 递归神经网络

    本研究提出了一种基于双向长短期记忆递归神经网络（BLSTM-RNN）的统一标记解决方案，可应用于各种标记任务，包括词性标注、分块和命名实体识别，该方法利用从无标记文本中学习的一组独立任务特征和内部表示，并不需要特定的任务知识或复杂的特征工程，在所有这三个标记任务中获得了几乎最先进的性能。

    Nov, 2015

  • 中文分词的双向 LSTM 循环神经网络

    本文研究了使用双向长短时记忆循环神经网络进行中文分词的方法，实验结果表明，该方法在传统和简体中文数据集上均取得了最佳的性能。

    Feb, 2016

  • ARIMA、LSTM 和 BiLSTM 预测金融时间序列的比较分析

    本研究比较了双向 LSTM 和单向 LSTM 在时间序列预测中的性能，结果表明双向 LSTM 的附加训练可提高预测准确性，相较于 ARIMA 甚至单向 LSTM，双向 LSTM 的预测效果更佳，但是收敛速度较慢。

    Nov, 2019

  • 双向 LSTM 在中文分词中的最新进展

    在中文分词任务中，与更复杂的神经网络模型相比，双向 LSTM 模型结合标准深度学习技术和最佳实践能够在许多流行数据集上实现更好的精度。此外，错误分析表明，对于神经网络模型而言，词汇外的单词仍然具有挑战性，其余错误不太可能通过架构更改来修复，而是应该更加努力地探索资源以进一步提高精度。

    Aug, 2018

  • 双向长短时记忆模型与辅助损失实现的多语言词性标注

    本研究采用词、字符和 Unicode 字节嵌入比较 bi-LSTM 和传统的 POS 标注器，在 22 种语言中取得了最优性能，并表明 bi-LSTM 对于训练数据大小和标签污染的敏感度被过高估计。

    Apr, 2016

  • 序列标注的全局上下文机制

    使用 BERT 嵌入 BiLSTM，发现将整个句子表示策略性地集成到每个单元格的句子表示中，可显著提高序列标注任务的 F1 得分和准确性。在包含 9 个数据集的序列标注任务中，涵盖了命名实体识别（NER）、词性标注和端到端基于方面的情感分析（E2E-ABSA），所有数据集的 F1 得分和准确率都有显著提高。

    May, 2023

  • 基于 LSTM 神经重排序特征的统计机器翻译

    本文使用 LSTM 循环神经网络，建立了一种基于单词对和对齐的新型神经排序模型，成功地解决了机器翻译中的重排序问题，并在 NIST OpenMT12 测试中实现了显著性能提升。

    Dec, 2015