Рекурсивные глубокие модели для семантической композицией по дереву тональности
Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank
2013-01-01
SCID: 54.1/6psbvans
Discuss with AI
рекурсивная глубокая модельрекурсивная нейронная сетьсемантическая композиционностьанализ тональностидерево сентимента
Figures from the paper
Abstract (AI)
Richard Socher, Alex Perelygin, Jean Wu, Jason Chuang, Christopher D. Manning, Andrew Ng, Christopher Potts. Труды конференции EMNLP (Conference on Empirical Methods in Natural Language Processing), 2013.
Key Findings
1
Создана база данных Sentiment Treebank с метками сентимента для фраз внутри деревьев разбора, что позволяет обучать модели с тонкой супервизией.
2
Показано, что рекурсивные нейронные модели, обученные на Sentiment Treebank, улучшают классификацию сентимента на уровне предложений и фраз по сравнению с базовыми методами.
3
Введены рекурсивные глубокие модели для моделирования семантической композиционности предложений с использованием древовидных представлений.
4
Показано, что моделирование композиционной структуры через деревья разбора лучше захватывает взаимодействия сентимента (например, негирование), чем подходы «мешка слов».
Research Object
Рекурсивные глубокие модели (древовидные нейронные сети), применённые к сентимент-дереву (sentiment treebank)
Research Subject
Моделирование семантической композициональности для анализа сентимента — как рекурсивные глубокие модели объединяют значения слов/фраз для предсказания сентимента на уровне фраз и предложений
Publication Details
Publication Date
2013-01-01
Journal
Publisher
ISSN
Cited by
7093
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью20
Исследование пределов трансферного обучения с помощью унифицированного преобразователя текста в текст2019
Сверточные нейронные сети для классификации предложений2014
Генерация с дополнением извлечённой информацией для больших языковых моделей: обзор2023
Обзор глубокого обучения: концепции, архитектуры сверточных нейронных сетей, проблемы, применения и перспективные направления2021
VADER: экономная модель на основе правил для анализа тональности текстов социальных медиа2014
Иерархические сети внимания для классификации документов2016
TinyBERT: дистилляция BERT для задач понимания естественного языка2020
Раскрытие потенциала инженерии промптов для больших языковых моделей2025
GLM: предварительное обучение общей языковой модели с авторегрессионным заполнением пропусков2022
Анализ тональности в эпоху больших языковых моделей: проверка реальностью2024
ERNIE 2.0: Непрерывная рамочная схема дополнительного предобучения для понимания языка2020
Улучшение анализа тональности с помощью классификации типов предложений на основе BiLSTM-CRF и CNN2016
Автоматизированный анализ текста для исследований потребителей2017
Объяснимость графовых нейронных сетей: таксономический обзор2022
Нейронная архитектура языка: интегративное моделирование сходится к предиктивной обработке2021
Когда физика встречает машинное обучение: обзор physics-informed machine learning2025
Расширение организационного принятия решений с помощью алгоритмов глубокого обучения: принципы, перспективы и проблемы2020
"Что важно в текстовом документе?": Интерпретируемый подход машинного обучения2017
ZuCo — ресурс с одновременной записью ЭЭГ и трекинга глаз для чтения естественных предложений2018
Сравнительный анализ глубоких нейронных сетей и больших языковых моделей для аспектно-ориентированного анализа тональности2024