神经序列分割作为确定最左段的方法

ACLApr, 2021

神经序列分割作为确定最左段的方法

Neural Sequence Segmentation as Determining the Leftmost Segments

Yangming Li, Lemao Liu, Kaisheng Yao

TL;DR提出一种新颖的基于片段级别的文本分割框架，通过 LSTM 技术构建短语表示，并利用循环神经网络模型迭代确定段落最左侧的片段。实验证明，在 3 个数据集上，该方法在句法分块和中文词性标注方面取得了显著优于先前最佳模型的表现，并在建模长期依赖方面具有有效性。

Abstract

Prior methods to text segmentation are mostly at token level. Despite the adequacy, this nature limits their full potential to capture the long-term dependencies among segments. In this work, we propose a novel framework that incrementally segments →

text segmentation natural language sentences lstm-minus technique recurrent neural networks long-term dependencies

发现论文，激发创造

中文神经分词学习

本文提出了一种新颖的神经网络框架，利用门控组合神经网络和 LSTM 语言评分模型，消除上下文窗口，可以利用完整的分词历史，产生分布式表示，从而实现中文分词，并在基准数据集上进行实验，结果不需要使用现有方法的特征工程，获得了与现有最先进方法相当甚至更好的性能。

Jun, 2016

基于注意力机制的神经文本分割

本文提出了一种基于注意力机制的双向 LSTM 模型，使用卷积神经网络学习句子嵌入，利用上下文信息预测文本分段，相比现有的竞争基准方法，在三个基准数据集上的 WinDiff 分数提高了约 7%。

Aug, 2018

快速且准确的神经话语分割

本文提出一种基于 BiLSTM-CRF 框架的端到端神经分割器，为了提高其准确性，我们解决了数据不足的问题，并使用自我注意机制捕捉了有用的邻域信息，实验结果表明，我们的模型在达到新的最佳性能的同时，比以前的方法快得多。

Aug, 2018

序列分块的神经模型

本文提出了三个基于深度神经网络的序列切块模型，使得每个块都可以作为完整单元进行标注，实验结果表明，这些模型在文本切块和语义槽填充任务中均可达到最先进的性能。

Jan, 2017

双向神经语言模型下的无监督分词

本文介绍一种基于上下文敏感的无监督词分割模型，使用双向神经语言模型和两种解码算法来增强长期和短期的相关性，该模型在不同的数据集上实现了最新技术水平的中文和泰文词分割结果。

Mar, 2021

基于有向无环图的长短时记忆网络用于语言分词

本文介绍了一种新型神经模型，通过在有向无环图上使用长短时记忆网络来整合单词级别信息，结合预训练的字符或单词嵌入向量，实现了比基准模型更好的中文分词表现。

Jul, 2017

通过分段、注意力和预测未来来提高神经语言模型的性能

本研究提出了一种基于无监督学习的方法来对齐上下文和下一句子，它可以自动识别短语并生成词组内嵌入，实现了对语言模型进行了有效优化，模型在 Wiketext-103 数据集上达到 17.4 的最佳性能表现。

Jun, 2019

利用自动分割克服神经机器翻译中句子长度的诅咒

该研究通过将输入句子自动分割成易于神经机器翻译模型翻译的短语来解决长句翻译时翻译质量下降的问题，并证明了这种方法在长句翻译质量上有显著提升。

Sep, 2014

神经网络中的中文分词：序列到序列翻译模型

提出了一种基于注意力机制编码解码框架的序列到序列的中文分词模型，拥有全局信息和多任务融合的能力，并在微博、北大和微软亚洲等数据集上取得了与最先进方法相当的竞争性能。

Nov, 2019

利用背景信息进行句子级词素切割

通过将整个句子作为输入，我们将形态素分割任务重新定义为序列到序列问题，结果显示多语种模型在性能上优于单语种模型，尽管没有超过最先进性能，但与高资源语言相比展现出了可比较的效果，同时揭示了在低资源语言情境下的限制。

Mar, 2024