文献收集：

最新推荐文章于 2023-02-22 14:00:08 发布
最新推荐文章于 2023-02-22 14:00:08 发布
阅读量808 收藏 1
点赞数 2
分类专栏： NLP 文章标签： python nlp pytorch
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。
本文链接：https://blog.youkuaiyun.com/sun_yi_gui/article/details/121459090
版权
这篇博客介绍了多个ACL和EMNLP会议上的文献，涵盖文档分类、聚类和抽取等主题。涉及的工作包括使用深度学习、图神经网络和预训练模型在文档分类上的应用，以及在事件核心ference、信息提取和关系抽取等方面的最新研究。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文献收集：

文档分类：

最低0.47元/天 解锁文章
RESIN: A Dockerized Schema-Guided Cross-document Cross-lingual Cross-media Information Extraction an
weixin_46569877的博客
06-14 412
A Dockerized Schema-Guided Cross-document Cross-lingual Cross-media Information Extraction and Event Tracking System
Hierarchical Attention Networks(HAN)
kesisour的博客
06-27 1394
HAN模型由paperHierarchical Attention Networks for Document Classification提出，模型结构如下图：模型自下而上结构如下：Enbedding -> Bidirectional RNN(GRU/LSTM) -> Attention -> Bidirectional RNN(GRU/LSTM) -&...
论文笔记 arxiv 2019|DocBERT: BERT for Document Classification
o11oo11o的博客
01-13 588
文章目录1 简介1.1 创新2 方法3 实验 1 简介 论文题目：DocBERT: BERT for Document Classification 论文来源：arxiv 2019 论文链接：https://arxiv.org/pdf/1904.08398.pdf 代码链接：https://github.com/castorini/hedwig 1.1 创新 第一个将BERT用于文档分类，达到SOAT效果。 使用知识蒸馏，将BERTlargeBERT_{large}BERTlarge​转换为较少参数的双向
PTPCG: Efficient Document-level Event Extraction via Pseudo-Trigger-aware Pruned Complete Graph论文解读
qq_45041871的博客
11-26 1893
以前对文档级事件提取的大多数研究主要集中于以自回归的方式构建论元链，这取得了一定的成功，但在训练和推理方面效率都很低。与之前的研究相比，我们提出了一种快速、轻量级的模型，称为PTPCG。在我们的模型中，我们设计了一种新的事件论元组合策略，并通过剪枝完全图设计了一个非自回归解码算法，这些图是在自动选择的伪触发器的指导下构建的。与之前的系统相比，我们的系统以19.8%的参数和更低的资源消耗获得了竞争性的结果，训练只需3.8%的GPU小时，推理速度高达8.5倍。
2021-06-21ACL2020 Heterogeneous Graph Neural Networks for Extractive Document Summarization
木东的博客
06-21 522
Heterogeneous Graph Neural Networks for Extractive Document Summarization 异构图神经网络提取文档摘要 摘要 1 引言 2 相关工作 3 Methodology 3.1 Document as a Heterogeneous Graph 3.2 Graph Initializers 3.3 H...
SummaRuNNer: A Recurrent Neural Network based Sequence Model for Extractive Summarization of Documen
sdauguanweihong的博客
01-17 1184
论文链接： https://arxiv.org/abs/1611.04230 Idea 这篇文章提出了一个利用深度学习来进行抽取式摘要的模型SummaRuNNer，将文本摘要建模成一个序列分类任务，在CNN/Daily数据集上达到了很好的效果 Method 模型 上图给出了模型的总体架构，基于双向GRU，由两层双向GRU组成，第一层从单词级别编码，第二层从句子级别编码，得到整个文档的向量表示，计算公式如下，其中NdN_dNd​代表句子的数目 对于序列分类任务，通过下面的公式计算每个句子是否属于摘要：
电机控制文献复现：理论与实践相结合的研究方法探索,电机控制文献复现 ,电机控制文献复现; 文献; 电机控制; 复现技术; 实验验证,电机控制文献复现：理论与实践的深度探索
01-21
这个过程往往涉及到对实验设备的调试、对控制策略的编程以及对实验数据的收集和分析。 在电机控制文献复现的过程中，研究人员往往会遇到各种挑战，比如理论模型与实际电机之间的差异、实验条件的不确定性以及数据...
文献研读：The coopetition game in international liner shipping
05-14
本人以前研究航线规划方面的合作博弈问题，现在不做这方面的研究了，以前收集整理的一些资料分享一下，供有相同研究背景的同学参考下。
SPP相关文献的精准计算方法：高效的数据分析与计算实践,"深度解析Spp相关文献计算：方法、技巧与案例分析",spp相关文献计算 ,Spp; 相关文献; 计算,SPP相关文献计算方法与探讨
最新发布
02-11
网络技术的应用使得大规模数据的收集、存储、分析变得更加高效，同时也带来了数据安全和隐私保护的新问题。因此，研究者在进行相关文献计算时，也需要关注这些技术发展的新动向，掌握新的计算工具和方法。 最后，本...
lisc：文献扫描仪：科学文献的自动收集和分析
02-11
LISC是用于收集和分析科学文献的软件包。 总览 LISC充当可用API之间的包装器和连接器，使用户可以从科学文章中收集数据或有关科学文章的数据，并对这些数据进行分析，例如执行自动的荟萃分析。 页面上提供了由LISC...
撰写文献综述：方法、技巧与要点解析
3. 文献管理：使用文献管理软件（如EndNote、Mendeley）来整理和分类收集到的文献，便于后续查阅和引用。 4. 文献阅读：仔细阅读每篇文献，提取关键信息，理解研究方法、结果和结论。 5. 文献分析：对文献进行比较...
EurLex-Multilabel-Classification:法律文件的多重分类（Eur-Lex）
04-30
法律语料库的多重分类（EUR-Lex） 单个文本文档通常具有多个语义方面。 与政治有关的单个新闻文章可能具有与贸易，技术和国防有关的方面。 从机器学习的角度来看，我们可以将各个方面解释为实例（文档）的多个类标签。 在这个项目中，我们探索了一个公开的多标签法律文本数据集，该数据集已被手动注释了十年。 它以24种不同的语言包含与欧盟有关的法律，包括条约，立法，判例法和立法建议。 这就是众所周知的EUR-Lex数据集，其中包含约两万个文档和七千个标签。 每个文档中多个标签的偏斜分布以及以多种语言存在的相同数据使该数据集成为一个有趣的主张。 网址 截屏网址 资料网址 数据文件夹中显示英语和德语数据。 请注意，如果您正在从Github Web下载代码（如下图所示），则不会下载数据（因为它超出了Github提供的限制）。 在这种情况下，请执行以下操作： 从以下链接下载数据： 下载文件后： 英
Document-Level event Extraction via human-like reading process 论文解读
qq_45041871的博客
02-22 647
论元分散和多事件。第一个挑战意味着一个事件记录的论元可能存在于文档中的不同句子中，而第二个挑战反映了一个文档可能同时包含多个这样的事件记录。本文以人类的阅读认知为动机，提出了一种HRE (Human reading inspired Extractor for Document Events)方法，将DEE分解为粗略阅读和精细阅读两个迭代阶段。具体来说，第一个阶段浏览文档以检测事件的发生，第二个阶段用于抽取特定的事件论元。
Entity and Evidence Guided Relation Extraction for DocRED
小朱不爱吃米饭
03-07 1227
http://arxiv.org/abs/2008.12283 目录 1 摘要 2 任务 3 动机 4 方法 4.1 实体引导 4.2 证据引导 5 模型设计 5.1 Entity-Guided Input Sequences 5.2 Entity-Guided Relation Extraction 5.3Evidence Guided Relation Extraction 5.3.1Evidence Prediction 5.3.2Evidence-guided ...
【论文阅读】Document-Level Relation Extraction with Reconstruction（AAAI2021）
li_jiaoyang的博客
01-07 2159
作者提供的代码 2021 AAAI 提出，没有关系的实体对会影响编码器的attention效果。 创新： 将更多的注意力放在有关系的实体对上，对路径重构。 重构方法最常用在神经机器翻译NMT上，解决翻译不够充分的问题。作者证明了用在DocRE效果也很好。 1. 异构图构建 假设一个文档有L个句子，每个句子有J个词。使用BILSTM对其进行编码。如上图所示，异构图包含提及结点、实体结点、句子结点。作者在指向相同实体的不同提及之间，还加了Mention-Coreference边。 2.编码器 使用图注意力网.
【论文学习ATLOP】Document-Level Relation Extraction
Ahighmore的博客
08-04 1121
欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验； 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示； 增加了 图片
阅读分享：Enriching BERT with Knowledge Graph Embeddings for Document Classification
小皮肚鼓嘟嘟的博客
05-10 655
Enriching BERT with Knowledge Graph Embeddings for Document Classification https://github.com/malteos/pytorch-bert-document-classification 子任务A：对一本书进行八分类； 子任务B：第二层93个和第三层242个标签(总共343个标签)进行分类。 Arthitecture： Title Text：A short descriptive text (blurb) wi
论文小综 | 文档级关系抽取方法（上）
开放知识图谱
04-08 3834
本文作者：陈想，浙江大学在读博士，研究方向为自然语言处理张宁豫，浙江大学助理研究员，研究方向为自然语言处理、知识表示与推理1. 前言关系抽取(Relation Extraction, ...
《Hierarchical Attention Network for Document Classification》—— 用于文本分类的层次注意力网络
然后就去远行
07-30 2888
目录《Hierarchical Attention Network for Document Classification》—— 用于文本分类的层次注意力网络1、文本分类1.1 文本挖掘1.2 数据类型1.3 文本分类2、层次注意力网络2.1 基于GRU的词序列编码器：2.2 单词序列编码器2.3 单词注意力机制2.4 句子编码器2.5 句子注意力机制2.6 文档分类3、实验和结果3.1 数据集3.2 实验任务3.3 对比模型3.4 模型参数3.5 论文实验结果3.6 可视化分析4、总结4.1 论文主要创新
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