Lattice CNNs for Matching Based Chinese Question Answering

最新推荐文章于 2024-11-10 15:50:30 发布
最新推荐文章于 2024-11-10 15:50:30 发布
阅读量1.6k 收藏 6
点赞数 2
分类专栏： 读论文
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/weixin_40341844/article/details/101767163
版权
本文提出了基于Lattice CNN的模型，用于中文问答中的短文本匹配，以解决词不匹配和表达多样性的挑战。Lattice CNN利用word lattice提取多粒度信息，对噪声有较好的处理能力。在DBQA和KBQA任务上，实验表明LCNs模型性能优越。

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

读论文记录，请多多指教。

Lattice CNNs for Matching Based Chinese Question Answering

摘要：两个短文本之间存在词不匹配以及表达多样性的问题，这对于中文来说，更加严峻。本文提出一种新的 基于lattice的CNN模型。在处理基于匹配的中文问答问题中，能够利用word-lattice中固有的多粒度信息，且具有很强的处理噪声的能力。 对基于文档的问答和基于知识的问答任务进行了广泛的实验，实验结果表明，LCNs模型可以提取word lattice中丰富且有差别的信息，性能优于其他。

介绍

在自然语言处理任务中，中文存在分词的困扰，当前也不存在一种适用于任何场景的分词方法。文本匹配通常需要获取两个句子之间多粒度的相关性。例如“Chinese people have high quality of life”的划分，其通常被划分为“chinese-citizen-life-quality-high"，但若将其与"chinese-live-well"进行匹配，“Chinese-livelihood-live”的分词方式更好。
基于分布式表示可以概括传统词袋方法中离散词特征，现有工作使用神经网络模型来改善匹配。此外，还有融合词级和字符级信息的工作，在某种程度上可以缓解不同分段之间的不匹配，但是这些解决方法仍然受到原始词序结构的困扰。
对于基于文档的问答问题，匹配度反映对一个给定的问题，一个句子是他的回答的概率，问题和回答来源不同，因此会存在风格和句法结构都不同的问题。对于基于知识的问答，一个关键任务是对知识库的谓词短语来匹配问题的关系表达式。
图1

本篇论文提出一种多粒度的方法用于中文问答中的短文本匹配，该方法利用lattice CNNs从word lattice中提取句子级的特征。LCNs不依赖单词或字符级的序列，将word lattice作为输入，所有可能的单词和字符都同等对待，且具有他们各自的上下文，从而可以在每一层进行交互。对于每一层的每个单词，LCNs能够通过池化的方法以不同的粒度捕捉其不同的上下文单词。
作者对两个中文问答任务（DBQA,KBQA）进行实验，验证了LCNs的性能，同时还发现该方法能够更好的获取句子的多粒度信息，且由于其

最低0.47元/天 解锁文章
Lattice FPGA & AI——Object Counting参考设计 CNN训练部分
baidu_21861345的博客
09-10 900
0，训练并移植一个神经网络到 Lattice FPGA 上主要分三部，第一步使用开源工具tensorflow, caffe, Keras训练自己的网络（Lattice 参考设计有训练部分的参考代码），第二部使用Lattice sensAI 软件编译已训练的神经网络，可以进行软件仿真，硬件调试，参数量化等等。第三步，调用Lattice CNN IP以及其他组件在FPGA上实现。 本篇介绍官网上CNN...
KGQA知识图谱问答资料整理（持续更新...）
BshoterJ的博客
10-24 6166
Awesome-knowledge-graph-question-answering 整理了部分论文、开源项目、博客、论坛工具、评测比赛，后续会补全已看论文的关键点，跟进新的资料。Github仓库：https://github.com/BshoterJ/awesome-knowledge-graph-question-answering Papers Some papers I have read...
cnn-matching-master_cnnmatching_cnn图像匹配_matchingcnn_cnn-matching
03-25
这是一个有关于基于深度学习的图相匹配，采用深度学习的训练进行图像匹配训练
《CNN-Based Chinese NER with Lexicon Rethinking》思维导图笔记
Rock_y的博客
10-14 1440
CNN-Based Chinese NER with Lexicon Rethinking 基于LR-CNN的中文命名实体识别 作者: Tao Guil , Ruotian Ma1等 单位:复旦大学、Video++ 发表会议及时间: IJCAI 2019 思维导图 细节一：CNN融合字符与词级别特征 通过attention机制融合词信息 将每层CNN学到的不同gram的词用多尺度CNN融合 细节二：Rethinking机制 通过增加权重和降低权重的方式寻找最优分词路径 重点： 实验设
cnn-matching:“基于深度学习特征的异构遥感图像匹配方法”的源代码和数据集-Source code learning
03-25
使用CNN功能进行图像匹配 概述 针对深度遥感影像在成像方式，时间相位，分辨率等方面的差异难以匹配的问题，提出了一种新的深度学习特征匹配方法。 结果表明，该算法具有较强的适应性和鲁棒性，在匹配点的数量和分布，效率和适应性方面均优于其他算法。 该存储库包含以下文件的实现： "A Heterogeneous Remote-Sensing Image Matching Method Based on Deep Learning Feature" （in Chinese） 一种基于深度学习特征的异源遥感影像匹配算法 该存储库中特征提取的主要思想和代码均基于 。 匹配结果： 谷歌地球图像之间的匹配结果（2009年和2018年） 无人机光学图像与红外热像的匹配结果 SAR图像（GF-3）与光学卫星（ZY-3）图像的匹配结果 卫星图与地图的匹配结果 入门： 建议使用Python 3.7+来运
Lattice_AI
Laplace666的博客
11-05 517
 在圣克拉拉举行的2018年嵌入式视觉峰会上，莱迪思半导体将推出sensAI，这是最新的基于FPGA的平台和生态系统，旨在为各种应用提供人工智能，包括移动，智能家居，智能城市，智能工厂和智能车。莱迪思表示，sensAI是一个“完整的技术堆栈”，它结合了模块化硬件套件，神经网络IP核，软件工具，参考设计和定制设计服务 - 所有这些都旨在加速物联网边缘设备机器学习推理的开发。 灵活的推理解决方案针对...
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 5039
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
python点云数据处理_关于点云分析（处理）的论文和数据集清单
weixin_39654751的博客
12-19 1440
[CVPR] Relation-Shape Convolutional Neural Network for Point Cloud Analysis. [pytorch] [cls. seg. oth.]????[CVPR] Spherical Fractal Convolutional Neural Networks for Point Cloud Recognition. [cls. seg.][...
【CVPR2019】论文完整列表一
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
【项目调研+论文阅读】Lattice LSTM神经网络医学文本命名实体识别 | day7
qq_41821608的博客
01-22 872
《Lattice LSTM神经网络法中文医学文本命名实体识别模型研究》2019 文章目录一、模型步骤1.Lattiice-LSTM分词+表征词汇2.LSTM-CRF  经证实，英文NER的最高水准是使用LSTM-CRF模型。中文NER使用基于字的分词比基于词的分词效果好。本文使用Lattiice-LSTM实现中文分词，及字词表征。效果优于前两种方法。 一、模型步骤 1.Lattiice-LSTM分词+表征词汇   点阵长短期记忆网络Lattiice-LSTM不仅可以自动学习到上下文信息。与基于字的分词方法相
CNN遥感图像配准
10-17
CNN在遥感图像配准中的实现源代码，参考论文：利用深度卷积特征进行多时相遥感图像配准《Multi-Temporal Remote Sensing Image Registration Using Deep Convolutional Feature》
NLP补充
Major_S的博客
03-03 495
NLP补充 论文名称： Do NLP Models Know Numbers? Probing Numeracy in Embeddings 推荐指数：★★★★ 所属领域和方向：NLP方向，探究型工作 推荐理由：发表于EMNLP 2019，理解和处理数字（识数）的能力对于很多复杂的推理任务来说至关重要。目前，大多数自然语言处理模型处理文本中数字的方式与其他 token 一样，将这些数字作为分布式向...
自然语言处理11——深度学习应用
最新发布
heli的博客
11-10 781
通过预训练语言模型得到情感语义树：将原始数据传进BERT中得到每一时刻的编码，将编码输入到attention中，包含1.计算上层的节点情感语义值时关注下层哪一部分，2.上层层与层之间的attention，输出为一颗情感语义树。输入基本序列经过编码后经过中间层对整句话进行情感分类，并找到其中的情感词，将除了情感词的其他部分都保留，对整句话进行重构，1.让情感化模块在有监督的情况下学习增加情感；思路：将主题词丢到搜索引擎中，找到相关的文本，对其中的内容进行增删改，得到编辑向量，最后得到生成的文本。
格上签名论文
qq_44775134的博客
11-20 2056
提出 lattice 提出 lattice-based 提出 LWE的密码 O. Regev. On lattices, learning with errors, random linear codes, and cryptography. J. ACM,56(6):1–40, 2009. Preliminary version in STOC 2005. Ring-LWE V. Lyubas...
AAAI-19录用论文清单
热门推荐
TomRen
01-28 1万+
AAAI-19于1月27日在夏威夷召开，今年是33届会议。 会议录用论文清单, workshop16个，tutorials24个。 标题的词云分析： 作者单位词云(按作者人数计算/一篇文章可能有多个作者)： picture from lonelyplanet.com 下面给出接收论文的列表： 第一个数字表示投稿的序号&内容可能有缺失 9: CircConv: A S...
论文笔记 NLPCC 2016|A Convolution BiLSTM Neural Network Model for Chinese Event Extraction
o11oo11o的博客
08-20 870
文章目录1 简介1.1 动机1.2 创新2 背景知识3 方法4 实验5 总结 1 简介 论文题目：A Convolution BiLSTM Neural Network Model for Chinese Event Extraction 论文来源：NLPCC 2016 论文链接： 代码链接： 1.1 动机 1.2 创新 2 背景知识 3 方法 4 实验 5 总结 ...
(一)基于文本的智能QA问答系统——项目介绍
m0_56927733的博客
03-26 1804
概述 本文将介绍本项目的核心架构并总结第1-4周本项目的进展情况。 项目介绍 目的 本项目将开发一个用于基于文本内容的QA问答网站。不限制应用领域、不限制数据内容，支持用户自行上传文本内容并进行问答。 该项目可以抽象为四大系统：1、检索系统。2、问答系统。3、问题生成和管理系统。4、交互系统。 检索系统 该系统用于对文本文档进行索引构建并提供查询服务。特别的，对于该项目文档的本质是文段，我们需要借助系统对文段进行定位。该系统的输入包括查询query和查询上下文context（由交互系统生成），查询上下文.
中国人工智能学会通讯——面向知识图谱的自然语言问答系统
weixin_34232744的博客
09-01 411
自然语言问答(QA)是指利用各种技术和数据对用户提出的自然语言问题直接给出问题答案。QA任务根据所依赖的数据形态可以分成三类，分别是基于知识库的问答(KB-QA)[1-9]、基于文档的问答(DB-QA)[10]和社区问答(C-QA)[11]。其中，基于知识库的问答是指在结构化的知识库中寻找自然语言问题的答案；基于文档的问答是指在非结构化的文档集合中寻找...
问答系统综述
qq_38293297的博客
02-21 2996
将自然语言问题大致分为七类，事实类(factoid)问题、是非类(yes/no)问题、定义类(definition)问题、列表类(list)问题，比较类(comparison)问题、意见类(opinion)问题和指导类(how-to)问题. (1)事实类问题对应的答案是现实世界中的一个或多个实体。 例如,问题Where was Barack Obama born?对应的答案是地点类型实体 Hono...
评论 5
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