本文介绍了EMNLP2017发表的论文，提出了一种根据任务层次关系构建的联合多任务模型，通过逐步加深网络层次解决复杂的NLP任务。与传统并行多任务学习不同，该模型依据语言学层次（如词性分析→语块分析→依存句法分析→文本相关性→文本蕴涵）进行任务叠加，每个任务拥有独立的目标函数，并使用级联正则化保持学习的一致性。实验表明，该模型在多个NLP任务上优于单任务和现有方法。
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。
在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。
点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。
这是 PaperDaily 的第 16 篇文章由于神经网络强大的表达能力，在 NLP 领域研究者们开始研究基于神经网络的多任务学习。大多数方法通过网络参数共享来学习任务间的关联，提升各任务效果。
本期推荐的论文笔记来自 PaperWeekly 社区用户 @robertdlut。这篇文章介绍了一个联合的多任务（joint many-task）模型，通过逐步加深层数来解决复杂任务。
与传统的并行多任务学习不一样的地方在于，该文是根据任务的层次关系构建层次（POS->CHUNK->DEP->Related->Entailment）的模型进行学习。每个任务有自己的目标函数，最后取得了不错的效果。该论文最后发表在了 EMNLP2017。
如果你对本文工作感兴趣，点击底部的阅读原文即可查看原论文。
关于作者：罗凌，大连理工大学博士生，研究方向为深度学习，文本分类，实体识别和关系抽取。
■ 论文 | A Joint Many-Task Model: Growing a Neural Network for Multiple NLP Tasks
■ 链接 | https://www.paperweekly.site/papers/1049
■ 作者 | robertdlut
该论文一作来自于东京大学，是他在 Salesforce Research 实习时完成的工作，最后发表在 EMNLP2017。
最低0.47元/天 解锁文章
573
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
