EMNLPAug, 2019

有效的文本分类卷积特征串行学习

PDF
TL;DR本文主要研究了深度学习中卷积神经网络在文本分类中的局限性，提出了一种基于序列卷积注意力递归网络（SCARN）的新模型，在多种文本分类任务中均取得了优异的表现，且参数数量较少，同时超越了其他很多深度 CNN 和 LSTM 模型的性能。
text classificationconvolutional neural networkscarnrecurrent convolutional modelsdeep learning
发现论文，激发创造
  • 基于循环和卷积神经网络的连续短文本分类

    本文介绍了一种基于递归神经网络和卷积神经网络的模型，可以在分类下一个短文本时利用前面的短文本，该模型在三个不同的数据集上取得了最先进的对话行为预测结果。

    Mar, 2016

  • 使用注意力卷积序列建模技术识别场景文本

    本文提出了基于注意力卷积网络的端到端场景文本识别方法，通过卷积神经网络 (CNN) 代替循环神经网络 (RNN) 来实现输入序列的上下文依赖关系的准确捕捉，提高了识别效率，并结合残余注意力模块进一步提高特征识别的准确性。该方法在多个数据集上验证结果显示了显著的性能优势。

    Sep, 2017

  • 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

  • 基于文本注意力的卷积神经网络用于场景文本检测

    本文提出了一种基于卷积神经网络的文本 - 卷积神经网络 (Text-CNN) 用于场景文本检测的系统，并通过多层和丰富的监督信息，包括文本区域掩模、字符标签和二分类文本 / 非文本信息来训练 Text-CNN 以提高其判别效能和鲁棒性。最终，该方法在 ICDAR 2013 数据集上取得了很好的效果。

    Oct, 2015

  • 一种用于文本分类的 C-LSTM 神经网络

    本文提出 C-LSTM 模型，结合了 CNN 和 RNN 的优点，用于句子表示和文本分类，实验结果表明 C-LSTM 比 CNN 和 LSTM 表现更好，可在这些任务中取得出色的性能。

    Nov, 2015

  • 专注卷积：为 CNN 配备类 RNN 的注意机制

    提出了一种名为 ATTCONV 的基于关注机制的卷积神经网络，该网络凭借从非线性上下文中提取的信息和集成到卷积操作中的关注机制，在句子级表示学习方面具有有效性。

    Oct, 2017

  • TextConvoNet: 基于卷积神经网络的文本分类体系结构

    本文提出了一种名为 TextConvoNet 的基于卷积神经网络的体系结构，不仅可以提取句内 n-gram 特征，还可以捕获输入文本中的句间 n-gram 特征，进而优于现有的文本分类用的机器学习和深度学习模型。

    Mar, 2022

  • 针对文本建模的 CNN：非线性、非连续卷积

    论文研究了采用低秩 n 元张量和模式加权的时序卷积网络（TCN）用于文本处理，在标准的情感分类和新闻分类任务中实现了最新的性能

    Aug, 2015

  • SECNN：用于句子分类的挤压和激活卷积神经网络

    我们的研究工作提出了一种用于句子分类的 Squeeze-and-Excitation 卷积神经网络（SECNN），该网络利用多个 CNN 的特征图作为句子表示的不同通道，并结合通道注意机制（SE attention mechanism）学习不同通道特征的注意权重，实现了在句子分类任务上先进的性能。

    Dec, 2023

  • SCA-CNN：用于图像字幕的卷积网络中的空间和通道注意力

    本文介绍了一种新的卷积神经网络 SCA-CNN，其中引入了空间和通道注意力，用于图像描述任务，结果表明 SCA-CNN 明显优于现有的基于视觉关注的图像描述方法。

    Nov, 2016