Unsupervised Keyphrase Extraction via Interpretable Neural Networks 阅读笔记

无监督关键词抽取：可解释神经网络方法
最新推荐文章于 2022-09-28 11:08:03 发布
原创 最新推荐文章于 2022-09-28 11:08:03 发布 · 985 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：

#bert

本文介绍了Unsupervised Keyphrase Extraction via Interpretable Neural Networks，由卡内基梅隆大学和太平洋西北国家实验室的研究人员提出。该模型（INSPECT）通过解释文本分类器的决策来抽取关键词，以捕捉文档中的多种主题。模型包含两部分：基础可解释模型和关键词相关性模型。它旨在克服传统无监督方法的局限性，如领域依赖和新词处理问题。该工作为关键词抽取提供了新的视角，强调了预测文本主题的重要性。

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 Mellon University,Pacific Northwest National Laboratory
  • 时间 2022
  • 期刊 arXiv

动机

  • 以前的无监督方法主要是通过嵌入相似性或图中心性来求助于短语重要性的启发式概念，需要广泛的领域专业知识来开发它们，这就会导致泛化性不好，不能处理新词发现
  • 作者从另一个角度看关键词抽取：对预测文本主题最有用的短语是重要的关键短语
    • 具体从下图展示出来。文档中的文本通常涵盖有关多个主题的内容。 一套全面的关键词，应该突出所有主要主题的重要短语。

在这里插入图片描述

模型

作者提出了INSPECT模型，用来在长文本中抽取关键词。假设神经文本分类器潜在地利用重要的关键词来预测文本中的主题，INSPECT 通过解释分类决策来提取关键词

因此模型主要分成两个部分，Base Interpretable Model和Kyphrase Relevance Model。如下图所示
在这里插入图片描述

  • 首先是常规的分词和词性标注，然后通过词性规则筛选出候选关键词
  • 他这里处理长文本的方法是将长文本分段送进去RoBERTa里面进行嵌入学习
  • 局部可解释层主要采用一个激活差异函数。这块自己也没有弄清楚

该文后续再更新，目前只是简单粗略看一遍，没有深究细节

我的思考

  • 这个可解释性主要是说一个文章应该有多个主题，然后抽取的候选关键词应该包括每一个主题，这个感觉还是主题聚类的东西。他只是换了一个说法而已
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 阅读笔记
Fitz的博客
03-16 1204
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
PositionRank An Unsupervised Approach to Keyphrase Extraction from Scholarly Documents阅读笔记
Fitz的博客
02-17 656
PositionRank: An Unsupervised Approach to Keyphrase Extraction from Scholarly Documents阅读笔记 动机 通过观察发现，在此示例中，在文档中很早出现的关键短语“马尔可夫链”的高频出现（甚至从其标题开始）。 所以作者联合利用单词的位置信息及其在文档中的频率来设计一种有效的无监督方法来提取关键短语 贡献点 我们提出了一种无监督的基于图的模型，称为 PositionRank，它将来自单词出现的所有位置的信息合并到有偏差的 Pa
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...
（二）PositionRank: An Unsupervised Approach to Keyphrase Extractionfrom Scholarly Documents解读一
Simonsdu的博客
10-10 442
2021SC@SDUSC
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...
rstrip()函数用于删除字符串结尾空白字符
12-11
下载前必看：https://pan.quark.cn/s/6e89669a2544 idea-rule 基于IDEA平台的常用正则表达式插件 安装 IDEA应用商店中搜索"any-rule". 使用 方式1: 右键选择Any Rule 打开正则列表 方式2: 按alt + a打开正则列表 本地添加自定义正则 image 更新在线正则表达式 这次，自定义正则不会再被覆盖了，可以放心更新 不过由于访问的问题，国内不一定能够拉取到，可以使用这个cdn加速地址来更新 https://www.52zhoujia.cn/any-rule/packages/www/src/RULES.js :fire:关于插件 数据来源于anyrule 鸣谢 image 最后，感谢 提供了优秀的开发工具
YOLOv8-YOLOv11-Segmentation-Studio_FLOOD-SEPTEMBER-25-DATASET260_15040_1765306449339.zip
12-11
YOLOv8-YOLOv11-Segmentation-Studio_FLOOD-SEPTEMBER-25-DATASET260_15040_1765306449339.zip
红外测距传感器GP2Y0A21YK0F 10-80cm20-150CM距离单片机智能小车.zip
12-11
已经博主授权,源码转载自 https://pan.quark.cn/s/95826bd35683 51单片机智能小车 芯片：STC89C52RC keil的C语言代码 现支持： PWM调速 避障 巡线 测距 显示屏 蓝牙遥控 挂挡 自动档 手动-自动切换 档位显示 舵机 演示视频：https://www.bilibili.com/video/BV1UK4y1a7Tz/
跟庄控盘N副图.zip
12-11
跟庄控盘N副图
（SCI三维路径规划对比）25年最新五种智能算法优化解决无人机路径巡检三维路径规划对比（灰雁算法真菌算法吕佩尔狐阳光生长研究（Matlab代码实现）
最新发布
12-11
（SCI三维路径规划对比）25年最新五种智能算法优化解决无人机路径巡检三维路径规划对比（灰雁算法真菌算法吕佩尔狐阳光生长研究（Matlab代码实现）
【无人机管理】基于分类分级的全链条监管体系构建：适航登记、空域飞行与法律责任制度设计
12-11
内容概要：本文系统梳理了我国无人机管理的国家层面根本性法规体系，以《无人驾驶航空器飞行管理暂行条例》为核心，辅以《治安管理处罚法》（2026年修订版）相关条款及《刑法》衔接性规定，构建了覆盖无人机全生命周期的“分类管理、全链管控、协同监管”法律框架。内容涵盖无人机分类标准、适航要求、实名登记、运营与操控资质、空域划分、飞行规范、强制保险、行政处罚及刑事责任等关键制度，明确了从生产到飞行各环节的法律责任与合规要求。; 适合人群：政府监管部门人员、无人机生产企业、运营单位、飞手及法律合规从业者，以及对低空经济政策法规感兴趣的研究人员。; 使用场景及目标：①帮助无人机相关主体全面理解国家法律法规要求，规避“黑飞”等违法行为；②指导企业合规设计产品与运营流程；③为执法机构提供法律依据参考；④辅助飞手合法安全飞行。; 阅读建议：此资源聚焦高层级法规，内容权威且具强制效力，建议结合地方实施细则与技术标准配套学习，并关注UOM平台最新政策动态，确保理解与实践同步更新。
VIDIOC-QUERYCTRL: Inappropriate ioctl for device) 内核驱动文件 mx6s-ca
12-11
已经博主授权,源码转载自 https://pan.quark.cn/s/c2e3e5a0a9a2 LinuxKernelLearn ================ Learn Linux Kernel Step by Step.
基于javaweb技术的农作物信息服务平台的设计与实现
12-11
随着信息技术在管理上越来越深入而广泛的应用，作为一个一般的企业都开始注重与自己的信息展示平台，实现农作物信息服务平台在技术上已成熟。本文介绍了农作物信息服务平台的开发全过程。通过分析企业对于农作物信息服务平台的需求，创建了一个计算机管理农作物信息服务平台的方案。文章介绍了农作物信息服务平台的系统分析部分，包括可行性分析等，系统设计部分主要介绍了系统功能设计和数据库设计。 本农作物信息服务平台有管理员和用户两个角色。用户功能有注册登录，在首页查看种植物信息，种植技术，病虫防治，在线交流，热点新闻，留言反馈，个人中心等。管理员功能有个人中心，用户管理，种植物信息管理，种植技术管理，病虫防治管理，品种类型管理，农业资讯管理，留言板管理，在线交流，系统管理等。因而具有一定的实用性。 本站是一个B/S模式系统，采用Java的SSM框架作为开发技术，MYSQL数据库设计开发，充分保证系统的稳定性。系统具有界面清晰、操作简单，功能齐全的特点，使得农作物信息服务平台管理工作系统化、规范化。
通达信指标【私募猎庄】套装指标公式.zip
12-11
通达信指标【私募猎庄】套装指标公式
基于java web的商铺租赁管理系统的设计与实现
12-11
传统办法管理商铺租赁信息首先需要花费的时间比较多，其次数据出错率比较高，而且对错误的数据进行更改也比较困难，最后，检索数据费事费力。因此，在计算机上安装商铺租赁管理系统软件来发挥其高效地信息处理的作用，可以规范商铺租赁信息管理流程，让管理工作可以系统化和程序化，同时，商铺租赁管理系统的有效运用可以帮助管理人员准确快速地处理信息。 商铺租赁管理系统在对开发工具的选择上也很慎重，为了便于开发实现，选择的开发工具为Eclipse，选择的数据库工具为Mysql。以此搭建开发环境实现商铺租赁管理系统的功能。其中管理员管理房东，管理公告，管理商铺出租，租赁合同等信息。房东审核商铺出租订单，添加租赁合同，管理商铺出租信息。用户租赁商铺，查看公告，查看商铺租赁订单，查看租赁合同信息。 商铺租赁管理系统是一款运用软件开发技术设计实现的应用系统，在信息处理上可以达到快速的目的，不管是针对数据添加，数据维护和统计，以及数据查询等处理要求，商铺租赁管理系统都可以轻松应对。
InvaSpread-Unsupervised Embedding Learning via Invarient and Spreading Instance Feature下载地址
08-26
关于论文《InvaSpread: Unsupervised Embedding Learning via Invariant and Spreading Instance Feature》的下载地址，我不能直接提供或推荐盗版资源链接。但如果你希望获取这篇论文，以下是一些合法且有效的方式： ### 推荐获取方式： 1. **Google Scholar** 访问 [https://scholar.google.com](https://scholar.google.com)，搜索论文标题： ``` InvaSpread: Unsupervised Embedding Learning via Invariant and Spreading Instance Feature ``` 查看是否有作者上传的 PDF 或预印本（如 arXiv）。 2. **arXiv** 访问 [https://arxiv.org](https://arxiv.org)，搜索论文标题，查看是否在 arXiv 上有公开版本。 3. **CVPR 官网（或会议官网）** 如果该论文是发表在 CVPR、ICCV、ECCV 等会议，可以访问会议官网查看该年论文列表。 4. **ResearchGate** 访问 [https://www.researchgate.net](https://www.researchgate.net)，搜索论文或作者，可请求作者发送论文 PDF。 5. **联系作者邮箱** 如果你知道作者的邮箱（通常论文第一页会有），你可以礼貌地写邮件请求论文副本，例如： ``` Subject: Request for a copy of your paper "InvaSpread" Dear Prof. [Author's Name], I hope this message finds you well. I am very interested in your paper "InvaSpread: Unsupervised Embedding Learning via Invariant and Spreading Instance Feature" and would like to request a copy for personal study. Thank you very much for your time and consideration. Best regards, [Your Name] ``` 6. **使用 Libgen（合法用途）** 如果你所在机构无法访问，可以通过 Library Genesis（https://libgen.is）搜索论文标题或 DOI，但请注意遵守你所在国家的版权法律。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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