人工智能资料库：第49辑（20170427）

作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai

---

今天分享：
（1）目前最好的用于文本摘要的RNN模型；
（2）讨论 softmax 与 sigmoid 之间的关系；
（3）利用 TensorFlow 进行文本分类的框架设计；
（4）多语言词向量的融合；
（5）基于路径信息的 LSTM 编码；

---

1.【博客】Taming Recurrent Neural Networks for Better Summarization

简介：

这是一篇关于我们最新论文 Get To The Point: Summarization with Pointer-Generator Networks 的一个简单介绍，该论文奖出现在 ACL 2017.

互联网时代已经将无数大量的信息带到了我们的身边，如果我们有很多的时间阅读它们，那么这将是一个很大的优势。但是我们并没有那么多的时间，所以经常会感到困惑。因此，自动文本摘要 - 将文本自动缩小为较短版本的任务正变得越来越重要。

本论文提出的模型优于目前的模型。

原文链接：http://www.abigailsee.com/2017/04/16/taming-rnns-for-better-summarization.html

---

2.【博客】Deriving the Softmax from First Principles

简介：

这个文章的最初目的是讨论 softmax 与 sigmoid 函数之间的关系。事实上，两者之间的关系很难去整理归纳。因此，这篇文章首先讨论了 sigmoid 是 softmax 的特殊情况，以及 Gibbs 分布，因子模型和概率图模型中的每一个基础。接下来，我们再讨论这个模型如何自然地扩展，以及定义，如 softmax 回归，条件随机字段，朴素贝叶斯和隐马尔可夫模型。

原文链接：http://willwolf.io/2017/04/19/deriving-the-softmax-from-first-principles/

---

3.【博客】Big Picture Machine Learning: Classifying Text with Neural Networks and TensorFlow

原文链接：

在这篇文章中，我们将学习如何设计一个机器学习模型去做文本分类任务，具体的步骤如下：

1. How TensorFlow works
2. What is a machine learning model
3. What is a Neural Network
4. How the Neural Network learns
5. How to manipulate data and pass it to the Neural Network inputs
6. How to run the model and get the prediction results

你会学习很多的新东西哦，一起来吧！

原文链接：https://medium.freecodecamp.com/big-picture-machine-learning-classifying-text-with-neural-networks-and-tensorflow-d94036ac2274

---

4.【代码】fastText_multilingual

简介：

fasttext 推出78种语言的混合词向量。

原文链接：https://github.com/Babylonpartners/fastText_multilingual

---

5.【代码】LexNET: Integrated Path-based and Distributional Method for Lexical Semantic Relation Classification

简介：

LexNET是用于术语对之间的语义关系进行分类的开源框架。它使用每个术语的分布信息，以及使用基于路径信息的LSTM编码。

原文链接：https://github.com/vered1986/LexNET

---