ACLAug, 2019

使用更丰富的对齐特征进行简单而有效的文本匹配

PDF
TL;DR本研究提出了一种快速、强劲的神经方法来进行通用文本匹配应用，通过保留原始点对特征、前一对齐特征和上下文特征三个关键特征，并简化其他所有组件，该模型在自然语言推理、释义识别和答案选择等任务上的性能与最先进技术相当，在参数更少的情况下，推理速度至少比类似的模型快 6 倍以上。
发现论文，激发创造
  • 文本对齐是一种用于大规模自然语言处理任务的高效统一模型

    提出了一种以文本对齐为基础的轻量级模型，用于广泛的文本蕴含、相似性、问答、事实一致性等关键任务，并通过轻量级调优方法，在具有较少参数的情况下达到相媲美或超过传统模型的性能，在评估文本生成的事实一致性和问答任务中表现优异。

    Jul, 2023

  • 基于文本匹配的抽取式摘要

    通过语义文本匹配任务范式，本论文提出了一种新的神经抽取式摘要系统构建方法。经过与原有抽取式摘要方法数据集的实验对比，该方法取得了更好的抽取结果，并通过对 CNN / DailyMail 数据集的实验，创造了 44.41 的新高水平。我们相信，这种基于匹配的摘要框架的潜力还未完全被利用。

    Apr, 2020

  • 文本匹配作为图像识别

    本研究提出了一种将文本匹配建模为图像识别问题的方法，即通过构造匹配矩阵并利用卷积神经网络捕捉匹配模式，以此提高匹配准确度，并通过实验证明了该方法的优越性。

    Feb, 2016

  • 基于词语对齐的 FAQ 问答系统

    本文提出了一种新的基于单词对齐的方法来解决 FAQ 问题回答任务，并且实验证明，问题相似度模型比基线系统更有效，稀疏特征可使 top-1 准确度提高 5％，而学习排名算法显着优于传统方法。此外，本文的方法在答案选择任务上表现优异。

    Jul, 2015

  • 使用点击流数据增强背景信息的短文本匹配

    该研究提出了一种短文本匹配框架，使用自我注意机制引入外部知识以增强文本的上下文表示，实验证明该框架的性能优于现有的短文本匹配模型。

    Mar, 2022

  • 神经多序列对齐技术（NeuMATCH）

    本文提出了一种基于神经网络的、端到端的异构数据（视频到文本）对齐方法，采用长短时记忆（LSTM）模块栈移动数据进行对齐操作，避免了已有方法中的局限性和缺陷，并在半合成和实际数据上取得了领先于现有技术的表现。

    Feb, 2018

  • 一个用于文本序列匹配的比较和聚合模型

    本研究将词汇级别的比较和聚合作为一个一般的框架，以解决在 NLP 任务中，如机器理解、答案选择和文本蕴含等方面的序列匹配问题，并使用卷积神经网络来执行该框架。研究结果表明，某些基于逐元素操作的简单比较功能可以比标准神经网络和神经张量网络表现更佳。

    Nov, 2016

  • 自然语言处理下的特征匹配

    本文提出一种新的混合模型，使用事先训练好的基于自然语言处理（NLP）的 BERT 模型和基于 Jaccard 相似度的统计模型并行，用于匹配不同数据集中的特征，从而减少搜索相关性或手动匹配每个数据集中的特征所需的时间。

    Mar, 2023

  • 用于复述识别、语义文本相似性、自然语言推理和问答的神经网络模型

    本文分析了几种神经网络设计（及其变体），对八个数据集进行了广泛的比较，包括释义识别、语义文本相似性、自然语言推断和问题回答等任务。我们提供了一个系统的研究，表明编码上下文信息的 LSTM 和句间交互至关重要，而 Tree-LSTM 并不能像先前宣传的那样有所帮助，但却出人意料地提高了 Twitter 数据集的性能；增强顺序推理模型是迄今为止较大数据集的最佳选择，而基于词对交互的模型在较少数据可用时实现最佳性能。我们将我们的实现作为开源工具包发布。

    Jun, 2018

  • 基于上下文匹配的简单无监督摘要

    本文提出了一种使用语言建模的无监督方法来对句子进行摘要，该方法使用了两种语言模型，并使用专业领域的语言模型来保持持续的上下文匹配，同时保持输出的流畅性，实验表明，该方法具有良好的性能。

    Jul, 2019