- EMNLP通过转折点的识别进行电影剧情分析
该研究使用端到端神经网络模型研究影视剧剧本中的转折点及其对剧情走向和主题分段的影响,并提出了基于此的剧本自动摘要和问答方法。模型在考虑转折点位置的基础上对同类型方法取得了更好的效果。
- ACLMSnet: 一个基于 BERT 的用于性别代词消解的网络
本研究提出一种基于预训练 BERT 模型的神经网络模型来解决语言处理中的性别偏见问题,该模型采用了无参数的注意力机制来计算实体跨度的语境表示,并使用向量表示代替三元语义相似度。经实验证明,该模型在性别代词分辨率任务的训练和测试集上的表现较好 - 基于混合神经标注模型的开放关系抽取
本研究提出了一种基于序列标注与双重感知机制(Local-aware Attention 和 Global-aware Convolution)的混合神经网络模型(HNN4ORT),以克服 Open relation extraction 任 - ACL从用户生成的内容预测人类活动
本文探讨从用户生成的内容中预测人类活动的任务,并使用最先进的句子嵌入框架来识别人类活动的语义并自动聚类这些活动,然后训练神经网络模型来预测哪些聚类包含给定用户之前发布的帖子和自我描述的文本中执行的活动,并探讨将推断得到的用户特征并入模型对此 - AAAI从独立预测到重新排序预测:整合相对位置和全局标签信息以进行情感因果识别
本文旨在解决文本中情感表达的因果关系问题,通过提出基于神经网络编码三个元素(文本内容、相对位置、全局标签)的模型,并采用相对位置增强嵌入学习算法,实现基于重新排序的预测和动态全局标签的机制,成功地提升了情感原因识别的性能,表现明显优于许多竞 - KDD将先前的金融领域知识整合到神经网络中进行隐含波动率曲面预测
本文提出了一种全新的神经网络模型来预测隐含波动率,该模型融入了金融领域的先验知识和考虑到波动率微笑的激活函数,并将无套利条件、边界和渐近斜率等金融条件嵌入到损失函数中进行训练。该模型在 S&P 500 指数上 20 年的期权数据方面优于基准 - ACL咨询对话中客户话语分类的对话模型微调
通过利用匿名化的在线辅导对话数据集并利用 ConvMFiT,定义有意义的类别以分类客户话语,该模型优于现有模型的性能,并确认模型与期望的语言模式相关的注意权重。
- MM结构化文档中的表格理解
在复杂的商务文件中,本文研究了表格检测与提取,提出一种利用单模型提取表格中信息的方法,并使用基于单词框、位置嵌入、可训练文本特征和图形的全面页面表示来解决这个问题。我们建立了一个新的数据集,提供了多种基线方法和新的神经网络模型来解决表格识别 - WWW利用众包评估自然度预测 ConceptNet 路径质量
本文使用众包的人工评估数据来训练神经网络模型以预测路径选择的质量,结果显示这个方法要比现有的启发式算法更好地识别有意义的路径。
- IJCAI利用多段双向上下文匹配进行实体同义词发现
该论文提出了一种多环境下的同义词发现框架,使用分布式假设和神经网络模型 SYNONYMNET,从自由文本语料库中检测出实体的同义词,以提高实体消歧或知识图谱规范化等任务的效果和稳健性。
- ACL基于胶囊神经网络的联合槽位填充与意图识别
本研究提出了基于 capsule 的神经网络模型,通过动态路由协议实现槽填充和意图检测,从而有效地利用了语义层次结构。实验表明,与其他模型结构以及现有自然语言理解服务相比,我们的模型具有更好的性能。
- SIGIR提升人才招聘的人 - 职匹配性:一种基于能力感知神经网络的方法
本文提出了一种新颖的端到端能力感知人岗匹配神经网络模型,旨在利用过去的招聘数据创建单词级别的语义表示,并通过四种关注策略来测量语义表示的不同重要性,以及每个职业经验对特定能力要求的不同贡献,该模型通过大规模真实数据集的实验验证了它的有效性和 - 基于人体关键点估计的神经手语翻译
提出了一种基于人类关键点估计的手语翻译系统,使用高分辨率的韩国电子技术研究所 (KETI) 手势语言数据集在序列 - 序列架构下训练,证明了我们的方法具有鲁棒性,可以将手势视频翻译成自然语言句子并达到 93.28% 的翻译准确率。
- EMNLPDeClarE: 使用证据感知深度学习揭穿虚假新闻和假言论
本研究提供了一种端到端模型,该模型可对文字主张进行证据感知的可信度评估,不需要任何人类干预,并通过聚合来自外部证据文章的信号,这些文章的语言以及其来源的可信度来生成用户可理解的解释,从而提高了之前工作的局限性,实验证明其有效性。
- ECCVX2Face:一个利用图像、音频和姿势码控制面部生成的网络
本文提出了一种可控制特定人脸的姿态和表情的神经网络模型,可以使用另一个面部或模态(如音频)进行控制,以实现轻量、复杂的视频和图像编辑,并且可以通过其他模态的驱动生成过程,而无需对网络进行进一步的训练。
- 联合词性标注和依存关系分析的改进神经网络模型
本文提出了一种新的神经网络模型,用于联合部分词性标注和依赖解析,将 BiLSTM 标记组件结合到 BIST 依赖解析器中,可对英语 Penn 语料库进行联合学习,模型在 LUS 和 UAS 评分上分别达到 94.51% 和 92.87%,并 - Fluid Annotation: 全图注释的人机协作接口
Fluid Annotation 是一种基于人机协作原则的智能图像标注方法,其特征在于利用强大的神经网络模型帮助标注,实现一次性全图标注,并赋予标注人员灵活选择标注对象进行有针对性的标注以节省标注预算。经实验,在 COCO+Stuff 数据 - COLING知识库描述中实体和文档的表示学习
本文介绍了 TextEnt,一种神经网络模型,它直接从知识库(KB)中学习实体和文档的分布式表示。通过训练我们的模型来预测文档所描述的实体并将文档和目标实体映射到连续向量空间中,其性能得到了良好的评估。
- Party Matters: 利用作者属性增强立法嵌入以进行投票预测
研究如何通过添加发案人的意识形态将议案文本与神经网络模型相结合,从而提高预测新上任议员投票结果的准确率。
- ACL面向知识库的需求加权完整性预测
本文提出了 “权重完备性” 的概念,该概念可以评估知识库对其实际使用的完备性。本研究利用实体的类别和使用数据来预测实体之间关系的概率分布,从而检测知识库中的重要空缺并确定未曾收录实体的相关信息。同时,本论文还展示了一个用于测量权重完备性的简