使用 DisCoCat 进行多类别情感分析的 Q-NLP 实验
本文主要探讨了基于 DisCoCat 模型的 VQSCs 和 VQTCs 在量子自然语言处理中的应用,并讨论了 DisCoCat 和 DisCoPy 对于对句子进行建模和参数化量子电路编码的方法。但由于 DisCoPy 不支持处理多个句子的文本,因此提出了基于 DisCoCat 模型的三种 VQTCs 方法:基于句子加权的 bag-of-sentences 方法、涉及共同参照的指代消解方法,以及基于 DisCoCirc 模型考虑句子顺序和单词交互作用的文本编排方法,但 DisCoCirc 与 DisCoCat 相比具有更新单词意义的特征,因此尚不清楚 DisCoCirc 能否在 lambeq / DisCoCat 中实现而不破坏 DisCoCat。
Mar, 2023
研究人员使用 DisCoCat 模型设计了一种基于量子计算机实现的支持向量机(SVM)的量子内核函数,该函数可以用于 NLP 任务并使用两种相似性度量来训练单词嵌入,结果表明第二种方法的测试精度最高,并且经 SWAP 测试后具有鲁棒性,有助于进一步研究我们提出的基于内核的 QNLP 范式。
May, 2022
在金融领域,质量上的微小改进就可能带来巨大的价值。本研究通过使用 DisCoCat 和 QLSTM 这两种方法,对量子自然语言处理 (QNLP) 领域中的情感分析问题进行了探索,并使用一种新颖的 ChatGPT 数据生成方法进行了超过 1000 个实际句子的案例研究,发现 QLSTM 的训练速度比 DisCoCat 快得多,并且在其可用的软件实现上实现了接近经典结果的性能。
Jul, 2023
本文介绍了一种针对近期量子计算机运行的自然语言处理全栈流程 ——QNLP,该流程中所采用的语言模型框架为组合密度语义学(DisCoCat),它扩展和补充了预组语法的组合结构;我们将 DisCoCat 图解释作于近期的量子线路映射,为量子技术运用于自然语言处理开拓了道路。
May, 2020
本文介绍了量子自然语言处理(QNLP)技术在情感分析中的应用,使用了 lambeq QNLP 工具包和 Cambridge Quantum(Quantinuum)的 $t|ket>$ 来实现,针对三种不同类型的模拟实现了完美的测试集准确性并在噪声量子装置上实现了尚可的准确性。
May, 2023
利用混合量子 - 经典机器学习算法,本文提出了一种用于情绪分析的方法,通过量子内核方法和变分量子电路分类器,结合主成分分析和 Haar 小波变换等经典降维技术,对英语和孟加拉语的两个数据集进行了评估,实验结果表明,在数据维度降低后,基于量子的混合算法表现一致且优于经典方法。
Oct, 2023
该论文介绍了我们在 DISRPT2021 共享任务中的贡献,我们的系统 DisCoDisCo 基于 Transformer 的神经分类器,在上下文化的词嵌入上增加手工制作的特征,并依靠标记词序列的方法实现话语分割和联结检测,利用富有特征、无编码器的句子对分类器实现关系分类,我们的结果在前两个任务上优于上一次 2019 共享任务的 SOTA 成绩,并且在关系分类上的结果表明对 2021 年新基准测试具有强大的性能。消融实验表明,包括 CWEs 以外的特征对于两个任务都是有帮助的,多个预训练 Transformer 基于语言模型的局部评估表明,基于 Next Sentence Prediction(NSP)任务预训练的模型是实现关系分类的最佳选择。
Sep, 2021
本文总结了最新的量子认知启发情绪分析模型的发展,这些模型通过运用量子概率与深度神经网络相结合来解决情绪分析中所面临的挑战,并展示了相对传统模型的优势以及未来的研究方向。
Jun, 2023
本文描述了我们在 SemEval-2016 任务 4 中基于深度学习的处理 Twitter 的情感分析方法。我们使用卷积神经网络来确定情感,并参加所有子任务,即二点、三点、五点刻度情感分类和二点、五点刻度情感量化。我们在二点刻度情感分类和量化方面取得了有竞争力的成绩,排名第五和第四(根据另一种度量方法排名第三和第二),尽管仅使用不包含情感信息的预训练嵌入。我们在三点刻度情感分类方面表现良好,在 35 个队伍中排名第八,但在五点刻度情感分类和量化方面表现不佳。错误分析表明,这是由于模型无法捕捉负面情感并且无法考虑序数信息的表现力不足。我们提出了一些改进措施来解决这些和其他问题。
Sep, 2016