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 133 篇文章@paperweekly 推荐
#Relation Extraction
本文是清华大学徐葳老师组和刘知远老师组发表于 ACL 2019 的工作,论文在远程监督与弱监督融合两种技术之间搭建起了一座桥梁,既通过自动生成模式减轻了对领域专家在技能和工作量上的要求,又通过主动式的少量人工标注自动精炼高质量模式,从而赋能在新关系领域上的快速泛化。
此外,DIAG-NRE 不仅能有效抑制标签噪声,同时可以诊断不同关系类型上噪声类型、严重程度等方面,进而直观解释了噪声标签因何而起,又是如何得到抑制。
论文详细解读:ACL 2019 | 面向远程监督关系抽取的模式诊断技术
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/10c193fe377c2c33d2bc910a5088f175.png)
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/dd94976a725ba90178f165ffa996d3fb.png)
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/929b8050484a30e03ab723ee99223775.png)
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/1c2ee5825ab6abec8161f6cc4eb3c132.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/3109
源码链接
https://github.com/thunlp/DIAG-NRE
@tobiaslee 推荐
#Extractive Summarization
本文是 BERT 在摘要任务上的一次尝试,主要关注抽取式的摘要。对于每个文档中的句子,在句子之前设置一个 CLS,利用 BERT 的设置得到句子的表示,在此基础之上判断是否选取这个句子。进一步地,为了整合 Document-Level 的信息,再得到句子表示之后(即 CLS token),可以再做一次 self-attention 或者是过一层 RNN。此外,除了 BERT 原有的 Positional Encoding,文章为了区别句子(某些词属于某个句子),额外增加了一个 Segment Encoding,对句子进行交错编码。
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/44862cd1c53bb6db50b7b89a617c9937.png)
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/3c938e2a73819dc257ed53d05bb5c051.png)
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/e9d551f554c4cee86fa3debadf2a5b9e.png)
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/8ada9b5fea9046deb6955b8806c557ea.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/3110
源码链接
https://github.com/nlpyang/BertSum
@zhoujie 推荐
#Sentiment Classification
本文是一篇综述,对目前基于深度学习的 Aspect-level Sentiment Classification 进行了概括总结,对当前各种方法进行了分类。该论文整理了关于 Aspect-level Sentiment Classification 的目前比较常用的数据集,并提供了统一下载的地方。该论文对比了目前比较经典的 state-of-the-art 的模型,并在 5 个数据集上进行实验看模型效果。
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/f236f4f17a199a303c91f017d965e538.png)
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/f74369464f4dc40342faf7585d1cb8a2.png)
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/1382dbd8fbab9e9b77f422881545861a.png)
![undefined 640?wx_fmt=png](https://img-blog.csdnimg.cn/img_convert/2180a24af2e15b60029859b8c8d20dc6.png)
▲ 论文模型:点击查看大图
论文链接
https://www.paperweekly.site/papers/3081
源码链接
https://github.com/12190143/Deep-Learning-for-Aspect-Level-Sentiment-Classification-Baselines