Aug, 2023

嵌入树：在嵌入中对实体特征进行层次探索

PDF
TL;DR提出了一种层次嵌入探索算法 EmbeddingTree，通过关联语义和嵌入向量，解释了特征是如何在学习到的嵌入空间中被编码的。同时还开发了交互式可视化工具，帮助用户探索高维嵌入，并演示了在工业规模的商家数据和公开的音乐播放列表数据集上生成的嵌入的有效性。
发现论文，激发创造
  • DeepTrax: 金融交易图嵌入

    本文使用图形嵌入方法将信用卡交易的账户和商家实体嵌入到欧氏向量空间中，并展示了这些嵌入可以用于欺诈检测等机器学习业务应用。

    Jul, 2019

  • 向量空间中的层级：定向词和图嵌入

    本文介绍一种从无序平面嵌入空间中捕捉层次结构信息的数据结构算法，基于权威性分布的想法构建有向根树，用于识别单词的上位词关系和寻找共同祖先，同时在维基页面链接恢复方面表现出优异的性能。

    Nov, 2022

  • 深度嵌入森林：基于深度嵌入特征的森林式服务

    该论文提出了一种名为 Deep Embedding Forest 的模型，采用嵌入层和基于树 / 森林的层，以实现快速服务支持，同时借鉴 Deep Neural Networks 的高维特征映射能力，通过仅使用传统硬件，该模型在性能上与 DNN 模型相当。

    Mar, 2017

  • 层次分类和数据驱动分类的实体和分类别的联合嵌入

    本研究提出了一种基于大型知识库集成结构化知识和分类法层次结构将实体和类别嵌入到语义空间的框架，使框架能够计算实体和类别之间有意义的语义相关性，以处理单词概念和多词概念，在概念分类上表现出卓越性能，并在无数据层次分类方面取得了最新的成果。

    Jul, 2016

  • 树！我不是树！我是低维双曲嵌入

    本文提出了一种新的通过度量方法学习超似曲嵌入的方法，使用一种名为 TreeRep 的快速算法学习一种逼近原始度量的树结构，可以用于提取分层信息以及逼近度量。实验证明，TreeRep 算法不仅比之前的算法快数个数量级，而且生成的度量失真率较低且平均精度高于大多数之前用于学习超似曲嵌入、提取层次信息和逼近度量的算法。

    May, 2020

  • 一个层次化多任务方法用于从语义任务中学习嵌入

    本研究介绍了一种使用多任务学习方式训练的分层模型，在一组精心选择的语义任务上取得了最新领先的结果，包括命名实体识别、实体提及检测和关系提取，无需手工设计特征或使用外部 NLP 工具，同时在模型的底层引入归纳偏差，促使模型产生共享语义表示。

    Nov, 2018

  • Banach-Tarski 嵌入与变换器

    我们介绍了一种将任意递归数据结构嵌入到高维向量中的新构建方法，这些嵌入为变压器的潜在状态向量提供了可解释的模型。我们展示了当嵌入维度足够大时，这些嵌入可以解码为原始数据结构。这个解码算法在变压器中有一个自然的实现。我们还展示了这些嵌入向量可以直接操作底层数据执行计算而无需解码。例如，我们提出了一个算法，仅使用嵌入空间的向量操作构造嵌入的标记序列的嵌入句法树。

    Nov, 2023

  • 结构化句法树嵌入在机器理解中的应用

    本篇论文提出了一种基于结构嵌入的句法树算法框架 (SEST)，利用句法树结构信息编码为向量表示，以增强机器阅读理解算法的性能。实验结果表明，该模型能够准确地识别句子的句法边界，并比基线算法更准确地提取句法连贯的答案。

    Mar, 2017

  • SEE: 基于语法感知的实体嵌入用于神经关系抽取

    本文提出了一种基于语法树和句子嵌入的远程监督关系抽取方法，使用句子和实体的嵌入对关系进行分类，实验结果表明这种方法在真实数据集上取得了最佳的性能。

    Jan, 2018

  • 层次相互关联聚类和保树嵌入

    该研究提出了一种层次相关聚类方法，并研究了将其嵌入到树保持嵌入和特征提取中的连接，特别是关于使用最小化极大距离进行相关聚类的性能测试结果基于 UCI 和 20 个新闻组数据集。

    Feb, 2020