Apr, 2020

基于深度学习的文本分类：综述

PDF
TL;DR本研究综合评述了 150 多种基于深度学习的文本分类模型，包括情感分析，新闻分类，问答和自然语言推理，并讨论了它们的技术贡献、相似性和优势，同时提供了 40 多个流行数据集的概述。最后，我们对不同深度学习模型在流行基准测试上的性能进行了定量分析，并讨论了未来的研究方向。
发现论文，激发创造
  • 文本分类综述：从浅层到深度学习

    本论文综述了自 1961 年至 2021 年期间文本分类领域的研究成果，包括传统方法和深度学习方法，提出了特征提取和分类技术的分类法，并对各个分类进行了详细的介绍，同时比较了不同方法之间的优缺点和各种评价指标，对未来的研究方向和面临的挑战进行了概述。

    Aug, 2020

  • 文本分类：深度学习方法的视角

    本文介绍基于深度学习的文本分类算法，包括文本分类任务所需的重要步骤，如特征提取、特征降维和评估策略与方法，并对不同的深度学习文本分类方法进行比较和总结。

    Sep, 2023

  • 基于深度学习的情感分类：一个比较调查

    深度学习方法在情感分析问题的解决中起到了关键作用，而这篇论文通过对超过 100 种基于深度学习的情感分类方法在 21 个公开数据集上的比较，将性能影响因素分为三类，并量化地解释了它们对研究中方法的影响。

    Dec, 2023

  • 情感分析的深度学习：调查

    本文综述了深度学习在情感分析中的当前应用，介绍了其学习多层表示、特征提取和产生最新预测结果的强大机器学习技术。

    Jan, 2018

  • 基于深度学习的文本摘要综述

    近年来，深度学习通过能够学习语言数据的复杂表示方式从而在自然语言处理中带来了革命性的变化，深度学习模型广泛应用于提升多种自然语言处理任务的性能。本文综述了近年来流行的文本摘要任务，包括抽取式、生成式、多文档等，并讨论了相关的深度学习模型以及其在这些任务上的实验结果，同时涵盖了摘要任务的数据集和数据表示，以及与之相关的机遇和挑战，旨在激发未来的研究努力以进一步推动该领域的发展。研究目标在于解释这些方法在其需求上的不同之处，因为对它们的理解对于选择适用于特定环境的技术至关重要。

    Oct, 2023

  • 文本分类算法综述

    本研究讨论了文本分类算法的概述，包括不同的文本特征提取、降维方法、现有算法和技术、评估方法，并探讨了每种技术的限制和在实际问题中的应用。

    Apr, 2019

  • 基于文本的情感自动分类：不同数据集的比较探索

    本研究旨在探索情感分类中的新数据集和深度学习模型在数据特征不同时的表现，结果发现 RoBERTa 模型在所有情况下表现最佳，并测试了这些模型对实际社交媒体帖子的适用性。

    Feb, 2023

  • 基于深度学习的情感分析：一项比较研究

    本文综述了在自然语言处理（NLP）方面使用深度学习模型进行情感分析的最新研究，评估了使用词频 - 逆文档频率（TF-IDF）和词嵌入技术的不同模型和输入特征，并对实验结果进行了比较研究。

    Jun, 2020

  • 使用机器学习模型对文本进行分类并确定对话偏移

    该研究旨在使用自然语言特征提取方法在机器学习中，将朴素贝叶斯、逻辑回归和支持向量机等基本模型用于检测讨论线路偏离主题时教师必须介入的情况，从而实现文本分类和语义分析。

    Nov, 2022

  • 文本卷积神经网络在自然语言处理和系统推荐之间的全面实现

    本文分析了深度学习在自然语言处理三个核心任务（文本表示、词序建模和知识表示）中的应用现状，探讨了在文本分类背景下自然语言处理所取得的改进和协同效应，同时考虑了文本生成、文本分类和语义解析中对抗技术所带来的挑战，通过对文本分类任务的经验研究，证明了交互式集成训练的有效性，特别是与 TextCNN 结合，凸显了这些进展对文本分类增强的重要性。

    Mar, 2024