关系词嵌入
通过提取语料库中词汇的共现模式来实现无监督学习,学习不仅代表个体单词的表示,还明确捕捉代表单词间语义关联的词向量表示,并通过联合权重和二元分类器来描述单词间的语义关系,取得了普遍类比检测三个基准数据集中的显著性优势。
May, 2015
本文针对词嵌入模型在信息检索任务中存在的问题及其局限性,提出了一种基于 word2vec Skip-Gram 模型的神经网络模型,通过显式向量表示的方式,增加了模型的可解释性和准确性,实现了查询词汇的局部信息融合,提高了指定任务状态下的表现表现。
Jul, 2017
本文提出了一种多重词向量模型,将不同单词之间的关系映射到嵌入空间中,从而实现更好的语义解析和性能提升。实验证明该模型能更好地区分单词之间的不同关系且维持了嵌入向量的有效性。
Jan, 2020
本文介绍了一种新颖的学习方法,用于关系分类的单词嵌入训练,并使用无标注语料库上的词汇关系特定特征预测名词对之间的单词,以将关系特定信息显式地纳入单词嵌入中。通过使用所学习的单词嵌入来构建特征向量,用于关系分类模型。在一个基于语义关系分类任务中,我们的方法表现显著优于基于之前介绍的单词嵌入方法的基准线,并与使用句法信息或手动构造的外部资源的先前最先进的模型相比,表现出了比较良好的结果。
Feb, 2015
通过收集全文的文字和知识库关系的共现统计数据,利用文本关系嵌入来处理远程监督下错误标记的问题,从而增强了现有的关系提取模型,在常用关系提取数据集上,将精度从 83.9%提高到 89.3%。
Apr, 2017
本文提出两种具有不同目标函数的学习模型,用于基于查询 - 文档相关性信息学习单词表示,实验结果表明相对于 Word2vec 等基于词语相似度的模型,基于相关性的单词嵌入模型在查询扩展和查询分类等信息检索任务上具有显著优越性。
May, 2017