SDP-LSTM关系分类（2015）论文阅读笔记

最新推荐文章于 2021-10-08 17:07:57 发布

zyk9916

最新推荐文章于 2021-10-08 17:07:57 发布

阅读量751

点赞数 1

分类专栏：论文阅读笔记文章标签：深度学习人工智能自然语言处理

本文链接：https://blog.youkuaiyun.com/zyk9916/article/details/117413646

版权

本文介绍了SDP-LSTM模型用于关系分类的原因及优势，包括最短依存路径的信息集中性、方向重要性和外部语言信息的利用。通过4个通道的LSTM网络处理不同特征，如词向量、词性、语法关系和WordNet上义词。模型通过最大池化整合路径信息，采用Dropout策略避免过拟合。实验表明，SDP-LSTM在关系分类任务中表现出色，优于传统方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Classifying Relations via Long Short Term Memory Networks along Shortest Dependency Paths（2015）论文阅读笔记

一、背景

SVM
RNN
MV-RNN
FCM
CNN
CR-CNN

本文基于以下三点原因，提出了SDP-LSTM（基于最短依存路径的LSTM）模型用于关系分类：
①最短依存路径包含大量信息：
最短依存路径中的单词集中包含了大部分信息，噪声很少，而其他单词信息较少，且可能带来大量噪声。
②方向很重要：
由于在依存树中，两个词的方向不同，会导致其依赖关系不同，且关系类型也具有方向性，所以，将SDP划分为两个子路径，每个子路径为从一个实体到共同的祖先节点。将提取的特征沿两个子路径连接起来进行最终的分类。
③外部语言信息可帮助提升效果：
本文采用words本身，POS，WordNet上义词，以及grammatical relations between governing words and their children四种特征。

二、模型

以句子“A trillion gallons of water have been poured into an empty region of outer space”为例，下图为其依存解析树。
在这里插入图片描述