Aug, 2023

使用深度学习技术对竞赛编程问题进行标签预测

PDF
TL;DR通过使用文本分类技术来确定竞技编程问题的领域的方法，使用 LSTM、GRU 和 MLP 等多种模型对 Codeforces 网站上的 2400 个问题进行训练和测试，最高准确度达到 78.0%。
machine learningdeep learningnatural language processingcompetitive programmingtext classification
发现论文，激发创造
  • 使用深度学习技术预测编程竞赛参赛者的表现

    本研究提出了一个框架，基于选手之前参加比赛的表现和练习情况，预测参加 Codeforces 平台竞赛的选手在未来比赛中的表现和评级。

    Feb, 2023

  • 竞技编程问题的算法标签和难度预测指南

    通过收集来自 Codeforces 的问题样本，我们提出了一个用于预测算法标签的真实世界算法问题多任务数据集，这是迄今为止与之前的研究相比最大规模的数据集。此外，我们的工作是首次解决算法问题难度级别的预测，我们提出了一种基于深度学习的新方法，可以同时预测算法标签和算法问题的难度级别。

    Oct, 2023

  • 文本卷积神经网络在自然语言处理和系统推荐之间的全面实现

    本文分析了深度学习在自然语言处理三个核心任务（文本表示、词序建模和知识表示）中的应用现状，探讨了在文本分类背景下自然语言处理所取得的改进和协同效应，同时考虑了文本生成、文本分类和语义解析中对抗技术所带来的挑战，通过对文本分类任务的经验研究，证明了交互式集成训练的有效性，特别是与 TextCNN 结合，凸显了这些进展对文本分类增强的重要性。

    Mar, 2024

  • 印地文文本分类的深度学习比较

    本研究旨在调查各种深度学习架构在印地语文本分类任务中的应用。本文使用了卷积神经网络（CNN）、长短时记忆网络（LSTM）、注意力机制等模型，比较了多语言预训练句子嵌入（BERT 和 LASER）和传统翻译方法的优劣，也为流行的文本分类技术提供了教程。

    Jan, 2020

  • DeepCoder: 学习编写程序

    本文研究了使用深度学习解决编程竞赛问题的方法，首先使用神经网络预测输入输出之间的关系，然后结合搜索技术和 SMT 求解器进一步优化，实验证明该方法可显著提高效率和解决程度。

    Nov, 2016

  • 基于深度学习的计算机就业市场分析：对职位发布中技能提取和分类的调查

    近年来，自然语言处理（NLP）取得了显著进展，使得计算机行业市场分析领域有了快速发展。本调查旨在提供深度学习方法、数据集和特定于 NLP 驱动的技能提取和分类的术语的全面概述，填补这一新兴领域的不完全评估。我们对公开可用数据集的详细分类解决了关于数据集创建和特征的信息缺乏的问题。最后，对术语的关注解决了目前对重要概念（如硬技能和软技能）和技能提取和分类相关术语缺乏一致定义的问题。

    Feb, 2024

  • 深度学习基于自然语言处理的进展：一项调查

    该研究综述了深度学习方法和模型在自然语言处理方面的应用和进展，分析和比较了不同方法和先进模型对语义分析和 NLP 任务领域的促进作用。

    Mar, 2020

  • 文本分类任务的深度序列模型

    本文研究大数据领域，探讨了自然语言处理、文本分类和序列模型的应用，结果显示序列模型在二分类和多分类上取得了优异的成果，但机器仍需进一步改进以达到人类水平。

    Jul, 2022

  • 编程自然语言处理调查

    本文综述了自然语言处理在编程方面的研究，并从推理模型到最新竞争级模型全面调查了现有的相关工作，具有技术类别的完整性，方便查找和比较未来的工作。

    Dec, 2022

  • 社区问答中的答案排序：一种深度学习方法

    本研究对社区问答的答案排名进行了深入的研究，基于大规模的 Stack Overflow 问题和回答数据，利用深度学习方法 (密集嵌入和 LSTM 网络) 进行预测和排序，提高了问答的准确度，但由于源码中大量的 oov 词汇，深度学习模型的性能提升由限制，未来应开发新的方法以解决该问题。

    Oct, 2022