EMNLPOct, 2018

超级角色：从情感分类到图像分类的转换

PDF
TL;DR我们提出了一种名为 Super Characters 的方法用于情感分类，它将文本转换成图像并使用 CNN 模型进行分类，无需将单词或字符嵌入数值向量表示。在四种不同语言包括中文，日语，韩语和英语的十个社交媒体数据集上，Super Characters 方法在情感分类和主题分类任务上始终优于其他方法。
发现论文，激发创造
  • SuperCaptioning: 利用二维词嵌入进行图像字幕生成

    本研究提出了一种名为 SuperCaptioning 的方法，通过借鉴 Super Characters 方法中的二维词嵌入思想，在一个单一的 CNN 模型中同时处理语言和视觉信息，从而将图像字幕生成问题转化为图像分类问题，实验证明此方法可以在 Flickr30k 数据上生成高质量的图像字幕，并提供互动演示。

    May, 2019

  • 通过使用二维词向量和预训练的 ImageNet CNN 模型，从视觉到语言的迁移学习生成对话

    本文提出基于 Super Characters 方法和二维嵌入技术的对话式回复生成方法，实验结果表明提出的 SuperChat 方法可以生成高质量回复，并有工作坊提供交互演示。

    May, 2019

  • 基于字符级卷积神经网络的文本分类

    本文通过构建大规模数据集，比较了基于字级别的卷积神经网络与传统模型如词袋、n-gram 及基于词的卷积神经网络和循环神经网络在文本分类方面的表现。结果表明，基于字级别的卷积神经网络能够达到当前领域最佳或竞争性的结果。

    Sep, 2015

  • 利用视觉特征学习字级组合性

    本文提出了一种针对汉字、日语、韩语等语言内所含罕见字符提高识别准确度的模型，它基于字符的构成并通过卷积神经网络生成视觉上的字符嵌入。实验结果表明该模型可更好地处理具有稀有字符的语言文本，并且能够学习集中于传达语义信息的字符部件，从而生成具有视觉一致性的字符嵌入。

    Apr, 2017

  • SentiCap：基于情感生成图像描述

    该研究中，我们提出了一种使用情感描述图像的系统，设计了一种基于递归神经网络的情感图像标题自动生成模型，并通过多种自动和众包评估指标表明，我们的模型在图像字幕中具有较高的质量，并且生成的正向字幕具有适当的情感。

    Oct, 2015

  • Twitter 社交网络句子级情感分类的深度神经网络架构

    本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

    Jun, 2017

  • 基于字符级别和多通道卷积神经网络的大规模作者归属性识别

    本文介绍了使用卷积神经网络（CNN）对大规模的作者归属进行分类，研究结果表明，基于字符级信号的 CNN 在不同领域的五个数据集中优于现有方法并首次将作者归属应用于 Reddit。

    Sep, 2016

  • 利用字符级卷积神经网络对表格数据集进行语义分类

    该论文提出了一种基于字符级卷积神经网络的转移学习方法，用于语意分类表格数据，并开发了一个名为 SIMON 的工具包，它可以在自然语言处理中进行分类、垃圾邮件分类和社交媒体年龄预测等任务。

    Jan, 2019

  • 一种层次化的端到端模型，用于同时改善文本摘要和情感分类

    提出了一种使用分层端到端模型联合学习文本摘要和情感分类的方法，将情感分类标签视为文本摘要输出的进一步 “摘要”，实现了摘要和分类两个任务的统一，该模型在亚马逊在线评论数据集上表现优于强基准系统。

    May, 2018

  • DeepSentiBank：基于深度卷积神经网络的视觉情感概念分类

    本文提出了一种基于深度卷积神经网络的视觉情感概念分类方法，其中视觉情感概念是从网络照片的标签中自动发现的形容词名词对。通过 nearly one million Flickr images 数据集的训练，该深度 CNN 模型 SentiBank 2.0 显著提高了注释准确性和检索性能。

    Oct, 2014