- 层级文本反转下的高效分子生成
提出了一种新的数据高效分子生成方法 —— 分层文本反转分子生成(HI-Mol),通过多级嵌入来反应分子分布的多层次特征,进而在少量训练数据的情况下生成高质量的分子。
- 基于 BERT 的中文拼写检查模型的层间注意力和高斯混合模型增强
基于 BERT 的模型在中文拼写检查任务方面表现出了显著的能力,然而传统的基于 BERT 的方法仍存在两个局限性:第一,虽然之前的研究发现明确的先验知识如词性标注对于拼写检查任务有益,但他们忽略了拼写错误会导致错误标签从而误导模型的事实;此 - 对比深度非负矩阵因式分解在社区检测中的应用
提出了一种名为对比深层非负矩阵分解 (CDNMF) 的新型社区检测算法,通过加深非负矩阵分解来提取信息,创造性地将网络拓扑和节点属性构建为两个对比视图,并利用去偏差负采样层学习社区级别的节点相似性,提高模型对社区检测的适应性,实验证明,该模 - 无监督关系抽取的孪生表示学习
无监督关系抽取中的 Siamese 表示学习框架通过利用正样本对关系表示进行学习,有效优化实例的关系表示并保留了关系特征空间中的层次信息,取得了显著的研究成果。
- 具有一致聚合的概率预测
通过使用卷积神经网络构建了一个新模型,利用因子模型结构生成一致的预测结果;在三个层次预测数据集上相比其他方法显著提高了 11.8% 至 41.4%;同时分析了基层分布和因子数量对模型参数的影响。
- ICML双曲表征学习:再探和提高
本文提出了一种名为 “超宾说外显”(HIE)的方法,通过使用节点到原点的超宾距离(即超宾范数)推导出的无成本分层信息来改进现有的超宾表示方法,并在各种模型和不同任务上的广泛实验中展示了该方法的多功能性和适应性。
- 利用类层次挖掘的实例级少样本学习
本文提出了一种利用层次信息进行分类的几乎无监督的实例级别小样本学习方法,称为 Soft Multiple Superclass (SMS)。该方法采用了一种新的超类方法来自动创建基本和新的类的层次结构,关注基本类别的相关特征以有效分类新对象 - 基于层次距离和语义表示学习的联合嵌入用于链接预测
本文提出了一种新颖的知识图谱嵌入模型 HIE,将每个三元组(头实体、关系、尾实体)同时模拟成距离测量空间和语义测量空间,并结合层次感知空间,利用实体和关系丰富的层次信息进行更好的表示学习,实验结果表明,HIE 在链接预测任务上优于若干现有的 - COLING神经重述生成中的连续细化分解
本文提出了一种连续分解的细粒度建模方法,名为 C-DNPG,并在句子编码过程中引入了 GA-Attention 机制,用于提高神经释义生成的效果。该方法在 Quora 问题和 Twitter 链接两个基准测试中都取得了显著的优势和最佳效果, - 不是所有的错误都是相等的:全面层次感知多标签预测(CHAMP)
本文探讨了层次多标签分类问题,并提出了综合层次感知多标签预测(CHAMP)框架,该框架能够根据标签之间的层次关系,对预测错误进行惩罚,实验表明将层次信息纳入多标签分类可显著提升性能。
- 利用自然语言处理辅助注释的知识管理系统:简要综述与展望
本文介绍了一种基于关系数据库的双向知识管理系统(BKMS),通过记录层级信息促进研究和写作过程,并利用连接概念的参考或洞察来生成有用的知识。它包括改进的分层笔记、AI 辅助头脑风暴和多方向关系等新功能,可以应用于制造或研究企业的库存和变更管 - 使用树形编码的 Transformer 实现神经程序生成
使用树形定位编码方案,结合自然语言分词词汇表,在编码任务中应用 Transformers 所能获得更好的效果
- 基于 Poincaré 异质图神经网络的序列推荐
本文提出了一种名为 PHGR 的 Poincaré 异构图神经网络,用于同时建模顺序模式信息和 SR 场景数据中包含的层次信息。 PHGR 通过定义新的双曲内积运算符,直接在 Poincaré 球中进行全局和局部图表示学习,而不是在 Poi - SIGIR基于神经网络的分层因子分解机用于用户事件序列分析
本文关注于利用两层结构对用户事件序列建模,旨在解决仅关注特征交互或者只注意序列信息而导致性能缺陷的问题,实验证明该模型相比现有技术具有显著的性能提升。
- COLING分层信息的重要性:基于树型图神经网络的文本分类
本篇论文研究了利用树形图编码模型进行文本分类,通过对网络结构的最小化熵的优化,提出了一种 HINT 模型,借助树形结构的层次性信息来提升文本分类效果,最终实验结果表明,在流行基准上 HINT 能够明显优于现有的最先进模型。
- 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 - IJCAI从人类移动轨迹中学习带有空间层次感的细粒度位置嵌入
通过提出一种方法,利用和观测数据点的局部密度有关的空间层次信息生成细粒度的地点嵌入,解决了降低空间分辨率时数据稀疏性导致嵌入质量下降的问题。通过使用日本 3 个城市的真实世界轨迹数据进行下一个地点预测任务,比较了我们的细粒度地点嵌入与基准方 - ACL层次化损失及新资源对于细粒度实体类型和链接的作用
本文提出了使用双线性映射方法集成层次信息的新方法,相比于平面预测在实体链接和细粒度实体类型分类方面有显著的改进,并在基准 FIGER 数据集上实现了最新的最佳结果。
- EMNLP建模分层结构的重要性与循环神经网络
比较循环神经网络和非循环神经网络对于建模层级结构的能力,发现循环神经网络在这方面的重要性。