Relational Graph Attention Network for Aspect-based Sentiment Analysis 1.Introducton2.Model3.Experiments4.Conclusion
BiSyn-GAT+: Bi-Syntax Aware Graph Attention Network for Aspect-based Sentiment Analysis 1.Introducton2.Model3.Experiments4.Conclusion
Aspect-based Sentiment Analysis with Type-aware Graph Convolutional Networks and Layer Ensemble 阅读笔记 1.Introducton2.Model3.Experiments4.Conclusion
Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks 阅读笔记 第一篇GCN模型用于ABSA研究的文章。
召回率（rec），准确率（acc），精确率（pre），F1值 这几天在看有关ABSA论文的代码，而代码跑出来的结果除了有输出loss的值以外还有一个acc的值和一个F1的值。查看了网上对于一些博客以后，对于模型的这三个评价指标有了一个新的认识，因此在这里我写出了自己的认识。1.混淆矩阵提到召回率，准确率，精确率和F1值，我就不得不提一下什么叫做混淆矩阵。混淆矩阵说简单一点就是一个矩阵。一个什么样的矩阵呢？一个关于预测值和真实值得一个矩阵。（Tips：为了方便理解，下面会以一个二分类问题作为讲解）这个句子的情感是不是积极的 实际值（1：积极，0
Dual Graph Convolutional Networks for Aspect-based Sentiment Analysis阅读笔记 1.Introduction本文是2021年ACL会议中的一篇利用GCN模型来对方面级情感分析进行研究的一篇文章。文章中作者提出了一种DualGCN模型来分析一个给定句子的语义和句法结构。还提出一种正交正则化以及差分正则化来获得更好的语义表示。2.ModelDualGCN模型图在这里我们分成SynGCN和SemGCN两个部分来对DualGCN模型进行一个介绍。2.1 SynGCNSynGCN这个部分主要是对给定句子的语法结构（句法结构）进行一个分析。这里我门可以看到，我...
Transformer（“变形金刚”） 上一篇博客里面，我们讲解了self-attention机制。而self-attention机制最早是在“Attenion Is All Your Need”这篇论文中提出的。而self-attention只不过是这边论文的很小一支而已。所以今天在这里我们要介绍这篇论文的精髓所在——Transformer（“变形金刚”）1.Transformer模型结构在第一次写attention那篇博客中，我们将attention机制嵌套到了Encode—Decoder的架构来解释其运行的原来。在那篇博客中，我们利
Self-Attention Mechanism(自注意力机制) self-attention是注意力机制中的一种，也是transformer中的重要组成部分，而self-attention其本质的基础便是上一文提到了attention。本文中只讲解最简单的Self-Attention Mechanism，涉及到其他的会在transformer里面进行提及。1.Self-Attention Mechanism模型结构在Self-Attention的模型中，模型的输出是对整个模型的输入进行一个考虑，最终得到了相应的输出。（类似于Attention中S_i对于每个H_
Attention Mechanism（注意力机制） 注意力机制逐渐在NLP中得地位变得越来越重要，上有Google的"Attention is All You Need"论文,下有 Tranformer、BERT等强大的NLP表征模型，attention 在 NLP 的地位就像卷积层在图像识别一样变得不可缺少的一部分，而所谓的注意力机制就是对输入权重分配的关注。在这里，我们将结合Seq2Seq+Attenrtion来讲述其基本的运作模式。1.Seq2Seq+Attenrtion模型结构我们知道在Seq2Seq的模型中，Encoder的最后一个输出，我
Long Short-Term Memory（长短期记忆网络） 在这篇文章中将介绍的是RNN的一个“升级”模型，LSTM。LSTM可以说是复杂版本的RNN，相较于simple-RNN，LSTM可以有效地避免了梯度消失的问题，并且在RNN的基础上可以有更长的记忆。1.LSTM的模型结构LSTM与simple-RNN的区别更多的在于，LSTM引入了门的一个机制的设定，从而导致了LSTM有4个学习参数（simple-RNN只有一个）。上图所展示的便是LSTM和simple-RNN的大致模型图。在LSTM中，一共有3个门，忘记门（forget gate），.
Recurrent neural network（循环神经网络） RNN（Recurrent Neural Network）是一类用于处理序列数据的神经网络。在bert，transformer没有问世以前，RNN在NLP任务中的运用是十分广泛的。为此也诞生了许多基于RNN的模型，例如我们常常提到的LSTM等等。在这里我们先介绍最简单的RNN模型，simple-RNN。1.RNN的模型结构上图所展示的便是一个单层（单向）的RNN的结构。在结构中我们可以看到，一个单层的RNN的模型可以看成由三个部分组成：输入层，隐藏层和输出层。这里我们按照图中所示，将X_t赋给.
李宏毅机器学习笔记—第二节—When gradient is small 1.局部最小值和鞍点（Local Minimum And Saddle Point）2.批次与动量（_Batch and Momentum）3.自动调整学习率（Learning rate）4.损失函数也可能有影响（Loss）5.批次标准化（_Batch Normalization）
李宏毅机器学习笔记—第二节—General Guidance 1.机器学习的任务攻略（General Guidance）2.类神经网络训练不起来怎么办（When gradient is small）1.局部最小值和鞍点（Local Minimum And Saddle Point）2.批次与动量（_Batch and Momentum）3.自动调整学习率（Learning rate）4.损失函数也可能有影响（Loss）5.批次标准化（_Batch Normalization）...
李宏毅机器学习笔记-第一节 旧账号博客链接：https://blog.csdn.net/dwarf111/article/details/118965868?spm=1001.2014.3001.5501
关注
