NIPSNov, 2018

使用 Bi-LSTM 进行文档分类以排除巴西最高法院的拥堵

PDF
TL;DR本文提出了一种使用双向长短期记忆网络（Bi-LSTM）对巴西法院系统中分类法律文件进行分析的方法。
brazilian court systemsupreme courtlegal document analysisclassificationbi-lstm
发现论文，激发创造
  • 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

  • 双向长短时记忆网络模拟放射学语言

    本文介绍使用双向长短期记忆神经网络模型，对医学信息提取进行自动化处理。使用大规模的胸部 X 光报告数据集，比较双向长短期记忆模型和基于字典的命名实体识别系统，以及利用 NegEx 算法和 Stanford 依赖解析器中获得的语法关系的否定检测系统。相对于这些基于规则的传统系统，我们认为 BiLSTM 为我们的任务提供了一个强有力的替代方案。

    Sep, 2016

  • 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

  • 双向长短时记忆循环神经网络进行词性标注

    使用词嵌入的双向 LSTM 循环神经网络模型（BLSTM-RNN）在词性标注任务中表现出色，可以达到 97.40％的准确率，而且不需要使用形态学特征，同时具备与斯坦福词性标注器相当的性能。

    Oct, 2015

  • 使用双向 LSTM 进行犹豫检测

    本文提出了一种利用双向 LSTM 神经网络进行自修复检测的方法，并使用模式匹配特征来降低对于词汇量的敏感度，提高了模型的性能。实验结果表明，在 Switchboard 语料库中，模型在标准的自修复检测任务和纠正检测任务中均表现出了出色的性能，特别是将非重复性的自修复鉴别效果提升明显。

    Apr, 2016

  • 一种用于假新闻检测的双向 LSTM 方法

    本研究使用双向 LSTM 算法对一定数量的外文新闻网站和报纸进行数据收集，在训练数据上达到 84% 的模型准确度和 62.0 的 F1 宏平均得分，以确定新闻真假。

    Jun, 2022

  • 使用长短期记忆网络的深度句子嵌入：分析和在信息检索中的应用

    本文提出了一种基于循环神经网络和长短时记忆单元的句子嵌入模型，该模型能够自动侦测句子中关键词和主题，从而进行网络文档检索等艰难的语言处理任务，并在性能上显著优于现有的先进方法。

    Feb, 2015

  • 使用双向 LSTM 进行词义消歧

    本文提出了一个使用双向长期短期记忆网络的干净而有效的词义消歧模型，该模型能够共享统计强度并且随着词汇量的增长实现很好的可扩展性。我们对其进行了两个标准数据集的评估，并取得了与最佳现有系统相同的效果，同时没有使用任何外部资源或手工编写规则。

    Jun, 2016

  • 面向资源匮乏语言的跨语言任务特定表示学习用于文本分类

    使用双向 LSTM 网络与相似度度量的对比损失函数，通过在共同空间中学习资源贫乏和资源丰富句子的表示方法，实现了情感分析和表情符预测等文本分类任务中对资源贫乏语言（如印地语和泰卢固语）和资源丰富语言（如英语和西班牙语）进行有效分类的目标。

    Jun, 2018

  • 双向 LSTM 和多任务学习优化历史拼写规范化

    使用深度神经网络技术对历史文献进行自然语言处理，尤其是对字符进行深度双向 LSTM 网络归一化处理。在对早期新高地德文文本的评估中，我们的模型表现优异，且使用多任务学习结合额外的标准化数据可以进一步提高模型的性能。

    Oct, 2016