Jan, 2022

使用 Tree-RNN 和 Typed dependencies 识别句子对中的语义关系

PDF
TL;DR提出了一种改进的 DT-RNN 模型，使用句法分析中识别出的语法关系类型来识别非近义句子，实验结果表明，在 SICK 数据集上进行的语义相关性和文本蕴含识别任务上，该模型比 DT-RNN 模型的分类准确率提高了 2%，且模型预测的相似度得分与人类评分的 Pearson 和 Spearman 相关系数均高于标准 DT-RNN 模型。
dependency treerecursive neural networkssemantic relationshipsgrammatical relationship typetextual entailment
发现论文，激发创造
  • 基于标签增强的树形神经网络用于隐式话语关系分类

    本研究使用 Tree-LSTM 模型和 Tree-GRU 模型将句法分析树加入神经网络以编码关系中的参数，同时利用组成标记控制这些树状神经网络中的语义组合过程，实验结果表明我们的方法在 PDTB 语料库中达到了最先进的性能。

    Mar, 2018

  • 基于依存的 LSTM-CRF 命名实体识别

    提出了一种简单而有效的依赖树导向的 LSTM-CRF 模型，以对命名实体识别（NER）任务中的完整依赖树进行编码并捕捉其相关属性，从而显著提高 NER 和实现领先水平，并发现依赖关系和依赖树提供的长距离交互是其主要原因。

    Sep, 2019

  • 关系句子嵌入用于灵活语义匹配

    研究了建立新的 Relational Sentence Embedding（RSE）范式以更好地发现句子嵌入潜力，提出了一种关联嵌入学习方法，作用在源句子上，推断出使用现有的 Siamese-based encoder 的对应目标句子，从学习的嵌入中可以计算出细粒度的关系相似度得分。该方法在 19 个任务中进行了基准测试，取得了良好的效果。

    Dec, 2022

  • 基于树形结构注意力编码器的句对建模

    本文介绍了一种关注编码器，结合了树状递归神经网络和序列循环神经网络，用于对模拟句子对。我们的关注编码器将 RNN 生成的一个句子的表示用于指导另一个句子的结构编码，评估结果表明，在语义相似度和释义选择方面，我们的编码器优于所有基线，并取得了最佳结果。

    Oct, 2016

  • 基于依存关系的卷积神经网络用于句子嵌入

    该研究提出了一种基于树的卷积神经网络模型，结合深度学习和语言结构，利用单词之间的各种长距离关系来提高情感分类和问题分类任务的准确性，并在 TREC 数据集上取得了最高的准确性。

    Jul, 2015

  • 应用内部句子噪声降低和转移学习的神经关系抽取

    通过引入 Sub-Tree Parse 和基于迁移学习的先验知识，我们提出了一种新的基于词级级别远程监督的关系提取方法，可以从自动构建的包含噪声词语的低质量句子数据集中提取关系，实验结果表明我们的方法相对现有最优工作提高了 Precision/Recall (PR) 的面积从 0.35 到 0.39.

    Aug, 2018

  • 依赖递归神经语言模型用于句子补全

    本文研究了如何将 RNN 语言模型与句子的句法依赖相结合，以提高递归神经网络 (RNN) 语言模型的性能和准确率，并在 Microsoft Research Sentence Completion Challenge 的评估中展示了其优越性，并达到了同类最先进模型的效果。

    Jul, 2015

  • 高效的依赖引导命名实体识别

    该论文探讨了如何更好地利用依存树传达的结构化信息来提高实体识别的性能，新提出的基于依存树指导的实体识别模型在相对较短的运行时间内表现出与传统半 - Markov 条件随机场模型同等的竞争力。

    Oct, 2018

  • RWEN-TTS: 自然语音合成的关系感知字编码网络

    本研究提出了 Relation-aware Word Encoding Network（RWEN）模型，通过两个模块（即语义级别关系编码和相邻单词关系编码）有效利用语法和语义信息，与以前的方法相比，实验结果显示出了显著的改进。

    Dec, 2022

  • 通过词性标注学习在树形结构上进行组合

    本文提出了一种 Tag-Guided HyperRecNN/TreeLSTM 模型来解决 Recursive Neural Network 模型在语义组合复杂性上存在的限制问题，并通过实验表明该模型在句子分类任务上表现优异。

    Aug, 2018