single_ton的博客

9月8日论文复写Effective Inter-Clause Modeling for End-to-End Emotion-Cause PairExtraction情感-原因配对的提取旨在从一个特定的文档中提取出所有的情感句子与其产生的原因。之前(2020年以前)的工作采用两步：1、分别提取情感句以及原因句2、训练分类器来过滤掉负面的配对情感原因分析的目标是检测文本中表达某种情感的原因或导致这种情感发生的事件。应用场景如消费者评论挖掘和舆论监督。问题1、这种用来提取情感-原因配对的方法不是

9月7日论文复写XLNet: Generalized Autoregressive Pretrainingfor Language UnderstandingNIPS2019 上的一篇文章，提出了一个XLNet自回归训练方法，影响也比较大客观事实：1、BERT这种基于去噪自动编码的预训练比基于自动回归语言建模的预训练方法取得更好的性能。2、无监督表示学习在自然语言处理方面获得了极大地成功，这些方法都先在大规模无标记的文本语料库上预训练神经网络，然后在下游任务中再进行微调3、自回归语言建模(AR)

9月6日论文复写Sentence-State LSTM for Text Representationmeeting of the association for computational linguistics （ACL18）上的一篇文章。客观事实：双向链表在文本表示中是一个非常强大的工具。神经网络方法也成为了NLP中的主流方法问题：由于其顺序性（sequential nature），受到了很多限制引言中提出了其限制：1、固有的顺序性(?这里需要去了解双向LSTM)赋予了相同句子中的非

K-multiple-means: A multiple-means clustering method with specified K clusters摘要：本文对于K-means方法做了拓展，使其应用于多类别的聚类。之前的K-means聚类只使用一个中心对所有类别的数据进行建模。但是由于捕捉不到非凸显模式以及某些类别由多个子类组成，不能由单个原型来表示。提出方法KMM，将具有多个子类的数据点归入指定的k群（group the datapoints with multiple sub-cluste