ACLJan, 2021

基于图神经网络和依赖关系感知注意机制的剧透检测模型

PDF
TL;DR提出了一种名为 SDGNN 的新型剧透检测模型，基于语法感知的图神经网络，通过对依赖关系的利用达到更好的效果，实验证明其在两种真实的基准数据集上表现优于现有的剧透检测模型。
发现论文，激发创造
  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022

  • SG-Net：基于句法引导的机器阅读理解

    本文提出使用句法来指导文本建模，通过将显式的句法约束融入到注意机制中，设计出了一种句法导向的自注意力网络 (SG-Net)，并将其应用于预训练语言模型 BERT 中，实验结果表明，SG-Net 设计相对于强基线模型在 SQuAD 2.0 和 RACE 基准测试中都有显著的性能提升。

    Aug, 2019

  • 一种基于检索和阅读的知识图谱链接预测框架

    提出了一种新颖的基于 Transformer 的图网络模型，实现了检索 - 阅读框架，提高了知识图谱链接预测的性能。

    Dec, 2022

  • SG-Net：语法引导变形金刚模型用于语言表示学习

    本研究提出了一种基于句法导向机制的注意力机制，设计了一个语法指导的 self-attention 网络，用于自然语言处理等任务中，取得了较好的性能。

    Dec, 2020

  • 神经子图探索器：通过面向目标的语法子图剪枝减少噪声信息

    本文提出了一种新的神经网络模型 Neural Subgraph Explorer，通过在句法图上修剪与目标无关的节点并引入目标词汇的一阶连接，解决了现有基于语法的模型在情感分类任务中的两个问题：信息的噪声聚合和远程相关信息的丢失。实验证明该模型在此任务中达到了最新的最好表现。

    May, 2022

  • 基于注意力引导的图卷积神经网络用于关系抽取

    本研究提出了一种新模型 ——AGGCNs，该模型通过自动学习选择性地关注依存树的相关子结构，有效地利用依存树的结构信息来提取实体之间的关系，从而在交叉句 n 元关系抽取和大规模句子级关系抽取等多项任务中均优于现有方法。

    Jun, 2019

  • 基于依存语法的细粒度攻击性语言检测：使用图卷积网络

    本文介绍了使用 SyLSTM 来检测 Twitter 上的冒犯性言论，同时检测冒犯的类型和目标的新方法，该方法在深度学习体系结构中将句子的句法特征和语义特征相结合，通过图形卷积网络进行集成。结果表明，该方法在参数数量方面比最先进的 BERT 模型有数量级的优势。

    May, 2022

  • 一个语义分层图神经网络用于文本分类

    本文研究了基于图神经网络的文本分类任务，提出了一种新的分层图神经网络模型（HieGNN），其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比，我们的模型能够从样本中获得更多有用的分类信息。

    Sep, 2022

  • 依赖敏感卷积神经网络用于建模句子和文档

    本研究旨在通过 Dependency Sensitive Convolutional Neural Networks (DSCNN) 分类系统实现句子和文档的表示，不需要依靠解析器和昂贵的短语标记，拓展了句子层级处理的任务范围，并以其在情感分析、问题分类和主观分类等任务中取得的最新表现获得了验证。

    Nov, 2016

  • 基于自注意力图网络的知识库半监督训练在链接预测上的应用

    本文提出了一种基于自我注意机制的改进图神经网络（GNN）方法以及一个基于预训练模型的半监督自我训练方法。实验结果表明这些方法都可以有效地提高链接预测任务的性能。

    Sep, 2022