创新点: 为了实现特征向量的自动学习,以往的研究通常采用嵌入的词表示作为CNN的输入层。但这种方法忽略了词语的语义,把它们单独看成是独特的词语。这篇论文使用一种独特的代码来表示具有相同语义的单词,称为同义词编码。 提出了一种新的基于同义词编码的CNN结构,用于关系提取。
神经网络归纳为3个主要构建块:
•输入层
•卷积层
•经典的神经网络层
首先我们来说输入层:
构建同义词列表:
特征提取:
通过查找表关联多个特征向量:
然后是卷积层和神经网络层:
创新点: 为了实现特征向量的自动学习,以往的研究通常采用嵌入的词表示作为CNN的输入层。但这种方法忽略了词语的语义,把它们单独看成是独特的词语。这篇论文使用一种独特的代码来表示具有相同语义的单词,称为同义词编码。 提出了一种新的基于同义词编码的CNN结构,用于关系提取。
神经网络归纳为3个主要构建块:
•输入层
•卷积层
•经典的神经网络层
首先我们来说输入层:
构建同义词列表:
特征提取:
通过查找表关联多个特征向量:
然后是卷积层和神经网络层: