CR-CNN(2015)论文阅读笔记

本文详细解读了CR-CNN(2015)论文,介绍了其在关系分类中的创新点,包括使用卷积神经网络对句子表示、Word Embeddings和Word Position Embeddings的结合、pairwise ranking loss函数以及对Other类的特殊处理。实验结果显示,CR-CNN相比于传统CNN和Softmax模型表现出更好的性能,并且仅使用两个目标词之间的text span就能取得接近整个句子的效果。

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

论文:Classifying Relations by Ranking with Convolutional Neural Networks(CR-CNN,2015)阅读笔记

一、背景

MV-RNN(2012)
CNN(2014)
FCM(2014)

二、模型

1.Word Embeddings(一般方法)

rw = Wwrdvw

vwone-hot向量,Word Embeddings维度为dw

2.Word Position Embeddings(一般方法)

Word Position Embeddings随机初始化,维度为dwpe

wpew = [wp1,wp2]

如果使用Word Position Embeddings,则后续卷积层的输入为

embx = {[rw1,wpew1], [rw2,wpew2], …, [rwN,wpewN]},维度为(N,dw+2*dwpe)。

如果不使用Word Position Embeddings,则后续卷积层的输入为

embx = {rw1, rw2, …, rwN},维度为(N,dw)。

3.Sentence Representation(卷积+maxpolling,一般方法)

为了方便表示,用矩阵乘法代替卷积操作。

①对于窗口大小k,在句子开始和结尾分别使用(k-1)/2的padding。

②根据窗口大小k对embx 划分窗口(每个word对应一个窗口,将每个窗口内的词的embedding连接起来。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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