层次化的注意力混合神经网络用于文档分类

Jan, 2019

层次化的注意力混合神经网络用于文档分类

Hierarchical Attentional Hybrid Neural Networks for Document Classification

Jader Abreu, Luis Fred, David Macêdo, Cleber Zanchettin

TL;DR本文提出了一种基于卷积神经网络、门控递归单元和注意机制的组合方法，用于文档分类任务，并通过层次结构表示提取了更有意义、更可泛化和抽象的特征，改善了当前基于注意力机制的文档分类方法的结果。

Abstract

document classification is a challenging task with important applications. The deep learning approaches to the problem have gained much attention recently. Despite the progress, the proposed models do not incorpo

document classification deep learning convolutional neural networks gated recurrent units attention mechanisms

发现论文，激发创造

多语言分层注意力网络用于文档分类

通过跨语言多任务学习和对其它语言的共享编码器和 / 或共享注意机制，建立多语言分层注意网络，以学习文档结构，并在多语言分类问题上取得比单语言模型更好的结果和更高的计算效率。

Jul, 2017

面向大规模多标签文本分类的层次化分类感知及关注图胶囊 RCNNs

我们提出了一种新的层级分类感知和注意图胶囊递归卷积神经网络框架，以实现大规模多标签文本分类。

Jun, 2019

医学科学论文中的序列句子分类的分层神经网络

本文介绍一种基于层次化顺序标记网络的方法，利用上下文中的信息来帮助分类当前句子，解决了传统单句分类方法在连续多句分类中的问题，并在医学科学摘要的顺序句子分类任务中，取得了比最先进方法高出 2%-3% 的分类性能表现。

Aug, 2018

用于提取式文档摘要的分层结构自注意模型 (HSSAS)

提出了一种基于分层结构自注意力机制的新模型，将摘要任务作为分类问题处理，并通过信息内容、显著性、新颖性和位置表示等特征进行预测，实验结果表明该模型在 CNN / Daily Mail 和 DUC 2002 数据集上胜过当前最先进的抽取性模型。

May, 2018

一个语义分层图神经网络用于文本分类

本文研究了基于图神经网络的文本分类任务，提出了一种新的分层图神经网络模型（HieGNN），其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比，我们的模型能够从样本中获得更多有用的分类信息。

Sep, 2022

Doc-GCN: 面向文档布局分析的异构图卷积网络

我们提出了一种新的文档布局分析方法，即 Doc-GCN ，该方法通过构建图形来描述文档的固有特征并将这些信息应用于图卷积网络中。最终结果表明，我们的方法在三个常用的 DLA 数据集中取得了新的最佳结果。

Aug, 2022

文档图像分类卷积神经网络分析

通过对卷积神经网络 CNNs 模型对文件图像分类任务的研究，我们发现使用剪切变形的数据扩增和一个针对更大输入图像设计的架构，可以超过基准数据集的现有技术，并且我们发现使用 RVL-CDIP 训练的 CNNs 可以学习区域特定的布局特征。

Aug, 2017

使用分层注意力混合深度学习方法进行电子邮件垃圾邮件检测

本文提出了一种新的基于一种结合了卷积神经网络、带门循环单元和注意机制的技术的邮件垃圾邮件检测方法，该方法利用卷积层逐层提取意义深刻、抽象且具有泛化性的特征，同时包含跨数据集评估。经过交叉数据集评估，本方法优于现有基于注意机制的技术，实现了更灵活的接受域大小的使用。

Apr, 2022

以少胜多：利用超图注意力网络进行归纳文本分类

本论文提出了一种基于超图注意力网络的模型 ——HyperGAT，旨在解决文本分类中词语高阶交互捕捉问题和处理大型数据集和新文档的问题，并在多个基准数据集上进行了广泛的实验证明了该方法的有效性。

Nov, 2020

深度卷积网络在文件图像分类和检索中的评估

本文提出了一种利用深度卷积神经网络学习特征进行文档图像分类和检索的最新技术，证实与手工制作的替代方法相比，能够更好地学习抽象特征，且具有压缩鲁棒性和跨领域迁移性，并在新的 IIT-CDIP 数据集中提供了 400,000 个文档图像用于深度学习。

Feb, 2015