Jan, 2019

利用字符级卷积神经网络对表格数据集进行语义分类

PDF
TL;DR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。
convolutional neural networktabular datatransfer learningnatural language processingsemantic inference
发现论文，激发创造
  • 学习表格数据的语义注释

    本研究采用深度学习方法，通过利用表格的上下文语义特征和知识库查询算法，实现了对没有元数据的表格的列类型预测，不仅在单独的表格集上表现良好，转移学习到其他表格集也有良好的性能。

    May, 2019

  • 同调卷积神经网络

    通过在稀疏的表格数据中利用拓扑约束网络表示结构，我们提出了一种新颖的深度学习架构，利用卷积提取空间信息，并通过网络拓扑的有限概念来确保数据导向、可解释性和可扩展性，在 18 个基准数据集上测试表明，我们的方法在这些具有挑战性的数据集上达到了最先进的性能。

    Aug, 2023

  • SLCNN：用于文本分类的句子级卷积神经网络

    本文研究了使用卷积神经网络的文本分类的新基准模型，在这些模型中，将文档作为三维张量表示进行输入，从而实现了句子级分析，经实验证明该模型在长文档特别表现良好。

    Jan, 2023

  • TabularNet: 一种理解表格数据语义结构的神经网络架构

    提出了一种名为 TabularNet 的新型神经网络结构，采用 CNN 模型来进行表格数据的空间编码，并且利用基于 WordNet 树的图构建方法来进行单元格之间复杂的关系编码，结果表明该方法有效提高了表格分类任务的精度.

    Jun, 2021

  • 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

  • ColNet: 嵌入 Web 表格的语义，预测列类型

    本文提出了一个名为 ColNet 的神经网络列类型注释框架，它能够集成知识库推理和查找，自动训练卷积神经网络进行预测，不仅考虑了单元格内上下文语义，还从多个单元格中学习了列语义的局部特征，并在基于 DBPedia 和两个不同的 Web 表格数据集上进行了评估，并取得了比最先进方法更高的性能。

    Nov, 2018

  • 模糊卷积神经网络用于表格数据分类

    本研究通过提出的模糊卷积神经网络（FCNN）模型对表格数据进行分类，通过实验证明该模型在学习有意义的表征方面表现出竞争性或优越性能，为结构化数据分析提供了新的机会。

    Jun, 2024

  • 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

  • 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

  • 从零开始的文本理解

    文章说明了我们可以应用深度学习来理解文本，从字符级到抽象文本概念，使用时间卷积网络 (ConvNets)。我们将 ConvNets 应用于各种大规模数据集，包括本体分类，情感分析和文本分类。我们展示了时间 ConvNets 可以在不需要任何人类语言的词语，短语，句子或任何其他句法或语义结构的知识下实现惊人的性能。证据表明，我们的模型可以用于英文和中文。

    Feb, 2015