MLBiNet:跨句子事件集合检测网络
本文提出了一种使用双向多层递归神经网络进行序列到序列学习的方法,以预测文本中前一句的事件描述。我们的方法在来自 WikiHow 和 DeScript 两个数据集中的 BLEU 得分方面显着优于先前的研究。由于 BLEU 得分不易解释为事件预测的度量标准,因此我们结合第二个评估,利用事件的黄金释义集的丰富语言注释来补充我们的研究。
Sep, 2017
本研究针对嵌套和重叠事件检测任务,提出了一种新的基于搜索的神经网络(SBNN)结构预测模型。该模型将任务视为触发器 - 参数结构的关系图上的搜索问题,并定义了构建事件的操作。在不使用任何句法和手动设计的特征的情况下,在 BioNLP 癌症遗传学共享任务 2013 上,该模型达到了与 TEES 模型可比的性能,同时在开发集上的进一步分析表明,该模型在提高 F1 分数性能的同时更具有计算效率。
Oct, 2019
本文提出了一种用于在句内事件之间进行时间关系分类的序列模型。我们的方法首先提取一个上下文词序列,该词序列与两个事件提及之间的依赖路径很好地对齐,并使用生成的词序列对应的词性标记序列和依赖关系序列作为输入,提供给双向循环神经网络 (LSTM) 模型。神经网络学习组成句法和语义上下文表征,以预测它们之间的时间关系。该方法在 TimeBank 语料库上的评估表明,顺序建模能够准确地识别事件之间的时间关系,并且胜过了以前基于特征的模型。
Jul, 2017
通过设计新的双模型基于 RNN 的语义框架解析网络结构,使用两个相关的双向 LSTMs 联合执行意图检测和槽位填充任务,取得了关于意图准确性提高了约 0.5% 和槽位填充提高了 0.9% 的最新成果。
Dec, 2018
本研究提出了一种基于双向长短期记忆的新型两层注意网络,利用 WordNet 生成知识图嵌入来提高情感分析的预测能力,将其与基于支持向量回归和多层感知机网络的监督模型相结合,实验结果表明该模型在 SemEval 2017 上表现优于顶尖系统,分别将 Sub-tracks 1 和 2 的准确率提高了 1.7 和 3.7 个百分点。
May, 2018
该论文提出了一种基于句子编码技术的模型,通过使用双向 LSTM 进行单词级别的平均池化生成第一阶段的句子表示,并采用注意力机制替代平均池化,以更好地表示文本蕴含关系。最终,通过对斯坦福自然语言推理语料库的实验验证了该模型具有较少的参数以及比现有最佳的句子编码方法更高的性能。
May, 2016
本文介绍了一种基于深度学习的跨句子关系抽取模型,以生物医学领域中的生化事件为例,探讨如何自动给生化事件赋予其所处的生物体系背景,并提出了两种不同的神经网络模型分类器,结果表明,该模型精度比传统机器学习模型更高,特别是在跨句子关系抽取方面的难度更高。
Dec, 2021
本文提出一种利用递归神经网络和词语和实体类型嵌入作为特征提取高层特征的方法,避免使用各种自然语言处理工具生成的复杂手工特征。我们的实验显示在多层事件抽取 (MLEE) 语料库上达到了最先进的 F1 得分,并对结果进行了类别分析和讨论了在触发器识别任务中各种特征的重要性。
May, 2017