David_B的博客

Neural Architectures for Named Entity Recognition2.3 CRF Tagging ModelsInput sentence: X=(X1,X2,...,XN)\mathbf{X}=\mathbf{(X_1,X_2,...,X_N)}X=(X1​,X2​,...,XN​)Matrix of scores (output by BiLSTM) : P∈Rn×k\mathbf{P}\in \mathbb{R}^{n\times k}P∈Rn×k-Sc

NLP-Task3:基于注意力机制的文本匹配输入两个句子进行判断它们之间的关系，用双向注意力机制实现数据集：https://nlp.stanford.edu/projects/snli/参考论文：Enhanced LSTM for Natural Language Inference论文解析：Note知识点注意力机制token2token attention一、任务介绍本次任务主要利用论文中提出的ESIM模型进行文本匹配1.1 数据集训练集共有55万余项，匹配关系共有四种

Enhanced LSTM for Natural Language Inferencehttps://arxiv.org/pdf/1609.06038v3.pdfRelated WorkEnhancing sequential inference models based on chain networksFurther, considering recursive architectures to encode syntactic parsing informationHybrid Neu

NLP-Task2:基于深度学习的文本分类用Pytorch重写《任务一》，实现CNN、RNN的文本分类数据集：Classify the sentiment of sentences from the Rotten Tomatoes dataset网盘下载链接见文末（包括GloVe预训练模型参数）链接：https://pan.baidu.com/s/1OU4v-vXdKaNRZmkB6nWH-Q提取码：gcmzword embedding 的方式初始化随机embedding的初始化方

NLP-Task1:基于机器学习的文本分类实现基于logistic/softmax regression的文本分类数据集：Classify the sentiment of sentences from the Rotten Tomatoes dataset网盘下载链接见文末需要了解的知识点：文本特征表示：Bag-of-Word，N-gram分类器：logistic/softmax regression，损失函数、（随机）梯度下降、特征选择数据集：训练集/验证集/测试集的划分实验