本文探讨了RNN及其变体在Paraphrase detection、Relation Classification、Sentiment Analysis和Semantic Similarity四个任务中的应用。使用了标准RNN、Matrix-Vector RNN、RNTN和Tree LSTMs模型，分别解决句子相似性判断、词关系识别、情感分析和语义相似度计算。各模型在不同任务中展现出不同效果，如RNTN在情感分析中达到85.4%的准确率。
本文结构：
四个问题
- 每个问题是什么
- 应用什么模型
- 模型效果
CS224d-Day 11:
Recursive neural networks – for different tasks (e.g. sentiment analysis)
课程链接
视频链接
课件链接
四个问题
这次课主要讲了标准的 Recursive neural networks 模型及其扩展模型在3个问题上的应用和效果，最后的 Tree LSTM 简单地介绍了模型和效果。
这3个问题分别是 Paraphrase detection，Relation classification，Sentiment Analysis。
每个模型都可以应用到任意一个问题上，只不过效果不同，有些模型对一些问题表现会更优一些。
1.Paraphrase detection
目的是判断两句话是否具有相同的意思
用到的模型是标准的RNN
为了解决这个问题，需要思考：
怎样比较两个句子？
通过成对地比较两个句子的短语，这个时候可以用 standard RNN，因为它可以得到一个合理的树结构，也就是句子的短语组成结构。
怎样用相似度来判断两个句子的意义是一样的？
如果用两个树结构的顶点去判断，那会丢掉很多中间环节的信息。
如果只计数两个句子中相似短语的个数，那么会丢掉位置信息，即这些短语出现在什么位置。
所以用 similar ma
最低0.47元/天 解锁文章
扫一扫
369
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
