TripleRank An unsupervised keyphrase extraction algorithm 阅读笔记

TripleRank：无监督关键词提取算法的改进与实验分析
原创 已于 2022-03-16 16:55:37 修改 · 1.2k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自然语言处理 #算法 #深度学习 #python

于 2022-03-16 16:53:34 首次发布

TripleRank: An unsupervised keyphrase extraction algorithm 阅读笔记

论文简单介绍

  • 题目 TripleRank: An unsupervised keyphrase extraction algorithm

  • 作者 Tuohang Li , Liang Hu, Hongtu Li , Chengyu Sun, Shuai Li , Ling Chi

  • 单位 吉林大学

  • 时间 2021

  • 期刊 Knowledge-Based Systems 1区

动机

  • TopicRank抽出来的词的语义多样性不够，如下图所示。其实这个在2018年的文章Simple Unsupervised Keyphrase Extraction using Sentence Embeddings已经被提出来了。2018年文章采用Maximal Marginal Relevance (MMR)来解决这个问题。
    在这里插入图片描述

模型

作者根据所发现的问题，再结合前人研究的经验。提出了自己的模型TripleRank。模型图如下图.主要提出了三种方式给单词打分

最低0.47元/天 解锁文章
Unsupervised Keyphrase Extraction by Jointly Modeling Local and Global Context 阅读笔记
Fitz的博客
04-08 1265
Unsupervised Keyphrase Extraction by Jointly Modeling Local and Global Context 阅读笔记 论文简单介绍 题目 Unsupervised Keyphrase Extraction by Jointly Modeling Local and Global Context 作者 Xinnian Liang , Shuangzhi Wu , Mu Li and Zhoujun Li 单位 北航 时间 2021 会议
论文笔记｜Unsupervised Keyphrase Extraction by Jointly Modeling Local and Global Context
bonsor的博客
10-15 694
这是一篇发表在EMNLP2021上的论文。研究主要面向无监督学习场景，使用全局语义信息与局部语义信息相结合的方法，从文本中抽取关键词。本文的主要贡献在于提出了一种结合全局信息和局部信息的候选词排序方法。
TripleRank An unsupervised keyphrase extraction algorithm
qq_45041871的博客
10-13 339
TripleRank无监督关键词抽取算法解读
Unsupervised Keyphrase Extraction via Interpretable Neural Networks 阅读笔记
Fitz的博客
04-15 985
Unsupervised Keyphrase Extraction via Interpretable Neural Networks 阅读笔记 论文简单介绍 题目 Unsupervised Keyphrase Extraction via Interpretable Neural Networks 作者 Rishabh Joshi Vidhisha Balachandran Emily Saldanha 单位 Language Technologies Institute, Carnegie Mello
EmbedRank论文解读
qq_45041871的博客
09-13 755
EmbedRank模型
MDERank A Masked Document Embedding Rank Approach for Unsupervised Keyphrase Extraction阅读笔记
Fitz的博客
05-05 2376
MDERank: A Masked Document Embedding Rank Approach for Unsupervised Keyphrase Extraction阅读笔记 这两年对比学习很火，尤其是在CV领域，所以有人尝试将对比学习的思想引入到关键词抽取任务中，虽然最后的结果并没有大的提升，但是这篇论文还是值得看一下的。这篇文章中了2022年ACL Findings。 论文简单介绍 题目 MDERank: A Masked Document Embedding Rank Approach
SIFRank New Baseline for Unsupervised Keyphrase Extraction Based on Pre-Trained Language Model
qq_45041871的博客
09-28 628
SIFRank关键词抽取算法解读
论文阅读：EmbedRank: Unsupervised Keyphrase Extraction using Sentence Embeddings
u014435314的专栏
07-26 3188
问题： 现有的关键词抽取系统普遍存在的问题包括：1）complex and slow 2）over-generation (i.e. extracting redundant keyphrases) 资源： 1. 代码 https://github.com/swisscom/ai-research-keyphrase-extraction 相关工作： 1. Unsupervised...
Blog5 无监督深度关键短语生成——关键代码分析3
wzy的博客
10-20 384
（五）论文对应的关键代码复盘 1.主要工作 extract.py做的工作主要是将每篇文档利用前期方法构建好的、由存在和缺失的关键短语构成的短语库中的短语进行排名，来生成我们训练模型需要的银标签。
长文本口语语义理解技术系列②：关键词抽取实践
weixin_48827824的博客
09-20 2161
为了帮助用户提升信息获取及信息加工的效率，阿里巴巴达摩院语音实验室的口语语言处理团队实践了一系列针对音视频转写结果的长文本语义理解能力。
NLP中的关键字提取方法总结和概述
deephub
09-20 5185
关键词提取方法可以在文档中找到相关的关键词。在本文中，我总结了最常用的关键字提取方法。 什么是关键词提取？ 关键字提取是从文本文档中检索关键字或关键短语。 这些关键词从文本文档的短语中选择出来的并且表征了文档的主题。 在本文中，我总结了最常用的自动提取关键字的方法。 自动从文档中提取关键字的方法是从文本文档中选择最常用和最重要的单词或短语的启发式方法。我将关键字提取方法归入自然语言处理领域，这是机器学习和人工智能中的一个重要领域。 关键字提取器用于提取单词（关键字）或创建短语（关键短语）的两个或多个单词的组
论文阅读：Keyphrase Extraction for N-best Reranking in Multi-Sentence Compression
u014435314的专栏
07-25 1511
作者： Florian Boudin and Emmanuel Morin 来源： 2013 NAACL-HLT 概述: 这篇文章扩展了Filippova (2010)’s word graph-based MSC方法，添加了一个re-reranking步骤，使得包含最多相关关键词的compression被选择出来。 资源： 1. 代码：https://github.com/boudi...
bert cnn知识抽取模型_关键短语抽取及使用BERTCRF的技术实践
weixin_39969953的博客
12-06 2093
全文框架概览一、关键短语抽取简介关键短语抽取 (keyphrase extraction)，指从文章中提取典型的、有代表性的短语，期望能够表达文章的关键内容。关键短语抽取对于文章理解、搜索、分类、聚类都很重要。而高质量的关键短语抽取算法，还能有效助力构建知识图谱。常见的关键短语抽取方法分为有监督 (supervised)和无监督 (unsupervised)。整体抽取流程则分为2个步骤：...
NAACL 2018 ACCEPTED PAPER
AI小白入门的博客
10-02 8373
COLING 2018 接受论文列表地https://naacl2018.wordpress.com/2018/03/02/list-of-accepted-papers/ 详细如下： A BI-MODEL BASED RNN SEMANTIC FRAME PARSING MODEL FOR INTENT DETECTION AND SLOT FILLING Yu Wang, Yilin Shen...
信息抽取 | 72篇论文梳理：涉及NER、复杂关系、小样本、文档级、多模态、开放域抽取...
zenRRan的博客
11-15 1534
每天给你送来NLP技术干货！文：JayJay来自：高能AIJayJay注：本文从EMNLP2021主会论文中收集，信息抽取方向共72篇，如有遗漏，请在留言区补充。地址：https://20...
Transformer 大语言模型（LLM）基石 - Transformer架构详解 - 自注意力机制（Self-Attention）原理介绍
java1234的博客
12-10 218
Transformer 大语言模型（LLM）基石 - Transformer架构详解 - 自注意力机制（Self-Attention）原理介绍
AI核心知识46——大语言模型之DPO（简洁且通俗易懂版）
最新发布
学习AI中...
12-10 563
DPO（直接偏好优化）是一种革命性AI训练技术，通过简化RLHF流程实现高效对齐。它摒弃了奖励模型和强化学习环节，直接利用人类偏好数据调整模型参数，将复杂问题转化为分类损失问题。相比传统RLHF，DPO具有复杂度低、稳定性高、速度快等优势，效果可媲美甚至超越PPO。其衍生算法如KTO、IPO等进一步优化了数据需求与训练效率。DPO大幅降低了AI对齐的技术门槛，推动开源社区涌现大量高质量微调模型，成为当前大模型训练的关键技术突破。
AI核心知识38——大语言模型之Alignment（简洁且通俗易懂版）
学习AI中...
12-06 912
AI对齐（AI Alignment）旨在确保人工智能的目标、行为和价值观与人类一致，避免潜在风险。通过"许愿精灵"比喻说明，AI需要理解真实意图而非字面指令。当前主流采用HHH标准：有用、诚实、无害。AI发展面临能力与对齐的平衡问题，如同赛车引擎与方向盘的关系。著名的"回形针制造机"思想实验展示了未对齐AI的灾难性后果。实现对齐的技术包括监督微调、人类反馈强化学习和红队测试等。随着AI向AGI发展，对齐问题将超越算力成为最关键的议题。
AI核心知识41——大语言模型之 MCP（简洁且通俗易懂版）
学习AI中...
12-08 1047
MCP（模型上下文协议）是AI领域的革命性开源标准，被誉为"AI时代的USB-C接口"。它通过统一连接标准，解决了不同AI工具与数据源间的适配问题。MCP由主机（AI应用）、服务器（数据源）和客户端（连接通道）三部分组成，使AI能安全访问私有数据而无需云端训练。这一标准推动了AI从聊天机器人向智能助理的转变，开发者正积极构建各类MCP服务器扩展功能。未来，MCP可能成为AI操作系统的基础，实现跨应用自动操作。目前程序员可通过Cursor等工具体验MCP的强大功能。
探索UnsupervisedLearning博客：Jupyter笔记本资源
3. 博客内容的迁移：提到旧的UnsupervisedLearning.com机器学习和统计博客中的内容已经被迁移到了Jupyter笔记本形式的NoteBooks-Statistics-and-MachineLearning项目中。这表明博客作者或者维护者希望利用Jupyter ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值