大数据管理和分析科学编程:深上优于Question-Answering-Style类别分类方法方面的评论

文摘

在线产品评论正在探索在电子商务平台上,和矿业aspect-level产品信息包含在这些评论具有很大的经济效益。方面类别分类的任务是一个基本的任务aspect-level情绪分析已成为一个热门研究课题在自然语言处理(NLP)领域在过去的几十年。在各种电子商务平台,出现各种用户答疑(QA)评论通常包含多aspect-related信息产品。虽然一些研究者把他们的努力方面类别分类对于传统的产品评论,现有的基于深度学习方法不能应用于代表QA-style评论。因此,我们提出一个清晰(4 d)基于QA交互层面和hyperinteraction-level文本表示模型建模与不同级别的文本表示,即:句,字面意思,QA交互层面和hyperinteraction-level。在我们的实验中,数据集从三个领域的实证研究表明,我们的提议能表示语句执行优于传统方法,特别是在数字域。

1。介绍

如今,网络金融发展迅速,电子商务平台占据了中心地位的发展通过提供虚拟支付手段。在虚拟交易环境创建的电子商务平台,双方可以通过在线产品评论按时实现通信。在某种程度上,这些评论的内容会影响业务的电子商务平台,因此蔓延到整个互联网金融的稳定。这些理由,我是非常重要的有价值的信息包含在这些评论,这不仅可以帮助消费者做出购买决定,还帮助组织了解客户满意度,使调整策略。然而,在线产品评论的数量爆炸式增长。我们很难以手动收集和操纵这些文本。因此,情绪分析应运而生。

情绪分析,也称为意见挖掘,是一个任务,旨在分析人民给定文本的情感取向。研究人员使用注意在文档级或字面意思情绪分析;然而,随着电子商务业务的快速发展,消费者倾向于了解产品的细节。因此,aspect-level情绪分析已成为一个研究热点,提出了有更好的理解商务在线评论比传统观点挖掘等提取细粒度的见解方面而言,类别方面,情感极性。

最近,出现一个新的问题(QA)风格的评论,即“客户问题和答案,”在国内外各种流行的电子商务平台,如淘宝,京东,亚马逊。图1展示了一个示例QA-style评论。在这部小说中审查形式,一个潜在的客户可以问某个产品,以及其他购买相同的物品可以回答这些问题。随着这种新的审查形式的流行,相关的研究是值得的因为自己的特点。首先,消费者更喜欢QA-style评论传统评论。另一方面,QA审核方法可以很大程度上减少虚假信息使产品评论更加可靠和令人信服的。然而,现有的研究方面较少类别分类QA-style评审旨在识别给定QA-style审查方面的范畴。

类别分类和现有基于深度学习方法方面对传统产品评论不能直接应用到识别给定QA-style审查方面的范畴。一方面,一类称为QA-style审查,方面的问题和答案文本是有效的方面。因此,aspect-related匹配信息之间的问题和答案文本类别分类有利于方面QA-style评论。我们认为2 d文本表示很难捕获之间的语义关系问题及其相应的回答它们之间可能由于长途如果我们简单地连接成一个序列作为分类的代表性QA-style审查。另一方面,问答句子之间的匹配信息注释方面或多或少的相关类别,但2 d文本表示可能不探索之间的匹配信息的关联度问题和答案句子注释方面的类别。

因此,我们说明清晰(4 d)文本表示模型图2。在我们的4 d文本表示方法,利用句表示作为第一个维度,和句子层面是利用第二个维度,这类似于表示传统的文本表示。此外,与传统的文本表示方法不同,另一个两个维度,即QA交互层面和hyperinteraction-level表示,提出了第三和第四维度。我们的实证研究证明我们的提议的有效性方面的类别分类任务QA-style评论。

我们工作的主要贡献总结如下:(我)我们引入QA交互层面维度表示捕获之间的匹配信息问题和答案的句子。(2)我们建议hyperinteraction-level维度代表探索之间的相关性程度的匹配信息注释方面的问题和答案句子类别。(3)我们在注释进行比较实验数据集提取的领域数字,美,袋在著名的网站淘宝网。我们发现提出了分类模型,清晰文本表示,针对QA-style评审执行比2 d文本表示。特别是在数字域,我们建议的方法的准确性和Macro-F1,分别高于7.5%和10.7% 2 d表示。

我们的论文的其余部分组织如下。部分2讨论了相关方面的工作类别分类。部分3提出了数据收集和注释。部分4提出了我们的方法在QA-style类别分类方面的评论。部分5报告实验设置,以及部分6讨论并分析了结果。最后,部分7给出了结论和未来的工作。

2。动机

现有的类别分类学习方法方面对传统产品评论基于深度学习方法每个单词第一个模型为实值向量,即。,word-embedding阶段。然后,整个句子或文档表示为word-embedding序列和训练序列学习模式,如RNN [1]和LSTM [2]。在这种方法中,句子或文档文本是由两个维度,即。word-embedding维度和词序列维度。总之,我们称这种表示为进行(2 d)文本表示。在传统产品评论”的一个例子我非常喜欢牛肉!,” the flow of aspect category classification based on the 2D representation is as shown in Figure3。

QA-style方面类别分类任务的类别称为目标识别方面的问题和答案文本在一个给定的QA-style审查。一个简单的方法来处理这个任务是直接应用现有的学习方法基于2 d表示方面类别分类在其他类型的文本样式。结果的基础上的二维表示QA-style评论见表1。我们可以发现,如果我们采用方法基于2 d表示类别分类处理方面任务QA-style评论、分类的性能非常糟糕。因此,通过分析,2 d表示并不是最好的选择代表QA-style文本由于以下原因。

首先,在QA-style审查,它由文本和回答的问题。和文本和回答的问题文本更可能是两个平行单位,而不是一个序列形式。例如,在图1答“电不是很耐用,“不是问题1中的最后一句话“是这款手机的质量好吗?“但问题1中对应于第一句“去年当你玩游戏多长时间?”因此,当文本和回答的问题文本提出了两个单位在一个序列,而很难捕获之间的关系及其相应的回答的问题,由于它们之间的可能的长途。一个更好的方法来处理这个问题是问题和答案文本分割成一些平行的句子和捕获之间的匹配度量问题和答案的句子。

其次,在问题或答案文本,通常存在不同方面分类在不同的句子。和匹配的信息之间的问题和答案句子注释方面或多或少的相关类别。例如,在图1,句子之间的匹配信息1”其运行的怎么样?”和句子回答2”它有很多运行内存”最相关的类别”注释方面的性能。“一个更好的选择来处理这个问题是探索之间的相关性程度的匹配信息注释方面的问题和答案的句子类别。

总而言之,我们提出两个维度,即。,QA interaction-level and hyperinteraction-level, to build a novel classification model based on the 4-dimension representation for the aspect category classification task on QA-style reviews. We leverage the QA interaction-level dimension to capture the matching measurement between the question and answer sentence and the hyperinteraction-level dimension to explore the matching information between the question and answer sentence with the annotated aspect category. Then, we will introduce our model in detail in the following section.

3所示。相关工作

3.1。方面的类别分类

方面类别分类、基本任务aspect-level情绪分析(3),旨在识别类别称为一个方面在一个给定的审查,通常被视为一种特殊情况的文本分类任务。因此,文本分类方法可以自然地应用到解决方面类别分类的任务,如支持向量机(4]。Alvarez-Lopez et al。5类别]使用SVM分类方面根据餐厅评论语料库在英语和西班牙语。·[6)使用三元模型来解决方面类别分类的任务。Kiritchenko et al。7)使用的一组二进制与不同类型的支持向量机n克和信息从一个特别设计的词汇。然而,传统的机器学习方法专注于稀疏的词汇等特性n克,一个炎热的向量表示,术语frequency-inverse文档频率(TF-IDF)来表示文本;这些方法高度依赖的质量特性,工程是劳动密集型和特性。

最近,word2vec的传播模型(8基于cnn[],神经网络方法9,10)或RNNs取得了可喜的成果。金(9)率先使用卷积神经网络用于文本分类,取得更好的结果比传统方法相关的数据集。cnn特性表达能力强,可以很容易地并行化。然而,它是不容易确定的最优规模回旋的内核。唐et al。11使用RNNs]提出了一种文本分类的方法。cnn相比,RNNs能够过程变长句子更好的和有强烈的联系上下文的能力。封闭的复发性单元(格勒乌)网络和长期短期记忆(LSTM) [2,12网络可以缓解该问题的梯度和梯度爆炸消失除了保存的时间也要超过普通RNNs信息。

神经网络与注意力机制取得了很好的结果机领域的阅读理解,机器翻译,等等,导致很多研究关注机制(11,13]。杨等人提出了一种文本分类方法,分层文件根据他们的结构,然后结合双向格勒乌网络和一个注意力机制(14]。

考虑方法用于文本分类,(音)和苏15)采用s形的前馈网络培训类别分类的二元分类器方面。雪et al。16)利用类别分类任务之间的相关性方面,执行联合学习方面的术语提取任务。Wan et al。17)学习算法提出了一种表示类别分类的方面。这些方法都是基于二维方面的文本表示类别分类的任务。除此之外,与上述不同,我们的工作致力于方面类别分类任务QA-style研究关注的评论。

4所示。模型

在本节中,我们提出我们的模型来识别给定QA-style审查方面的范畴。我们的方法是学习的基本思想清晰的文本表示文本QA-style审查问题。介绍了在节1,我们的模型包含四个维度代表不同级别的文本包括文字水平,句子层面,QA交互层面,和hyperinteraction水平。

第一维度和第二维度已经广泛应用于先前的研究在文本分类研究领域。在本文中,我们采用word2vec模式18)获得句维度和应用sequence-to-sequence神经网络,即。、双向封闭的复发性单元(Bi-GRU) (19),获得字面意思表示。

在下面几节中,我们提出了表征模型第三维度和第四维度,即。、QA交互层面和hyperinteraction水平。

4.1。第三维度表示

根据QA-style评论的特点,我们可以看到之间的匹配度量问题和答案文本是一类重要的方面分类QA-style评论。在本节中,我们学习之间的匹配表示一个句子从文本和一个句子的问题答案文本,即。,学习sentence-sentence匹配表示。

图4显示的结构表征sentence-sentence匹配的学习过程。在形式上,我们假设文本包含的问题N句子和来标示 ,在哪里的句子表示吗我th句子在文本的问题 。同样的,的句子表示吗jth句子在答案文本 。

正式,我们使用双向格勒乌(Bi-GRU)层,可有效利用向前和向后的特性,把问题和答案的句子的上下文表示。通过sequence-to-sequence Bi-GRU层,每个单词的注释是由平均向前和向后隐藏状态。对一个问题的句子 ,我们获得隐藏状态矩阵由以下公式。同样的,我们获得答案句子的隐藏状态矩阵 。

然后,我们计算两两匹配矩阵,代表句子匹配程度的问题答案的句子。有问题的句子和答案的句子 ,我们可以通过使用以下公式计算一个匹配矩阵,即 在匹配 表示两个句子之间的匹配矩阵,即和 。

在此基础上,得到匹配的句子表示向量的问题由以下公式:

4.2。第四维度表示

正式获得所有sentence-sentence匹配向量后,我们连接成一个新的矩阵米= 。此外,我们获得的关联度向量 ,的每个值代表之间相关程度的匹配信息注释方面的问题和答案句子类别如下:

最后,我们可以得到第四维表示 ,最终将QA交互层面表示转换成hyperinteraction-level表示,如图5。

4.3。分类模型

hyperinteraction向量是一个高级代表问题文本QA-style审查,并连接到字面意思表示不可分割的问题文本作为分类,最后表示是最后一个隐藏的向量得到bi-GRU模式:

最后,我们把最后表示将softmax层计算条件概率分布。然后,概率最高的标签的分类预测方面QA-style审查:

学习整个模型,我们训练我们的模型的端到端由于训练数据,和培训的目标是最小化叉损失函数: 在哪里K训练数据的数量和吗C是所有类别方面的数量。除此之外, 是一个黑盒功能,它的输出代表一个向量代表的概率方面,然后呢是一个 - - - - - -正则化项。

5。实验

在本节中,我们首先介绍我们的模型和基线5.1。然后,我们描述实验设置,即。,the datasets and evaluation metrics used in our experiment in Section5.2。最后,我们描述模型设置的细节部分5.3。

5.1。模型的总结

自能维表示语句,也能进行广泛研究在自然语言处理(NLP)地区,我们使用方法基于两个维度作为基准的方法。

全面的比较,我们实现的几个不同的模型代表文本QA-style审查的问题,见下面(基线和我们建议的模型是有区别的标志和 ,分别):(我)(2 d) :这种方法使用,也能进行字面意思回答短信维表示(2)问(2 d) :这种方法使用,也能进行字面意思维度表示文本的问题(3)问+ (2 d) :这种方法使用,也能进行字面意思维度表示连接问题和答案的文本(iv)问(3 d) :这种方法采用句、字面意思和QA交互层面问题文本维度(v)问(4 d) :这种方法使用句,字面意思,QA交互层面,hyperinteraction-level维度问题文本

5.2。实验设置

(我)数据集:我们进行我们的实验组成的高质量的标注语料库QA-style评论数字,美,袋域在淘宝,这符合我们注释的指导方针。考虑到数据的不平衡分布,我们消除方面类别包含小于50的评论。实验数据集的统计数据总结表2。(2)评价指标:我们使用标准的准确性和Macro-F1 (F)来评估整体分类性能、质量保证方面,Macro-F1计算的公式 ,总体精度P和回忆在哪里R精度的平均值/类别召回所有方面。

5.3。模型配置

(我)数据处理:为了构建清晰的表示模型,我们提出这个句子分割算法1根据斯坦福CoreNLP工具包(20.)将问题和答案文本分割成句子。此外,我们使用文字嵌入来初始化这个词在我们的数据集和pretrain嵌入这个词与我们爬数据集包含32万QA-style评论。(2)模式设置:在实验中,我们初始化所有的词汇表之外的词汇由均匀分布的抽样U(−0.01,0.01)。word-embedding维度和维度LSTM隐藏状态设置为100,和批处理大小设置为32。考虑到QA-style评论是简短的文字,单词的最小数量一个句子中去是5。其他参数是根据发展数据。在培训过程中,我们使用梯度下降的方法来训练我们的模型,和学习速率为0.02,辍学率将0.25,以避免过度拟合。此外,最优问题或答案的句子数量文本调整是2。

5.4。研究问题

节中描述4QA方面清晰,我们的文本表示模型分类的任务是根据QA交互层面和hyperinteraction-level机制,是建立在句子层面。因此,对性能的影响问题和答案文本内的句子数量是研究问题的关键。因此,我们将在以下部分中讨论和分析。

6。结果和分析

节6.1,我们比较我们建议的方法的分类性能和其他基线数据集从三个领域。然后,部分6.2分析了影响句子的分类性能问题和答案的短信数量。此外,误差分析了QA-style评论分类错误的部分6.3。

6.1。性能比较

我们采用抵抗方法比较部分中描述的方法的性能4.1。在抵抗方法中,对于每个数据集从一个域,我们预留10%从训练数据分层抽样的发展数据来优化学习算法参数。数据6和7给实验结果的讨论方法。

的结果,我们可以看到(1)在三个领域,所有问(2 d)方法相当优越(2 d)方法,这表明问题比答案文本和文本包含更多aspect-related信息贡献更多的识别给定QA-style审查方面的范畴。(2)显然,在所有2 d的方法,问题和答案文本都是用于我们的任务,最好问+ (2 d)方法执行。这意味着我们可以利用辅助信息包含在答案文本,进一步提高方面的性能类别分类任务QA-style评论。(3)在数字域,我们建议的方法问(3 d)根据QA交互层面维度达到一个明确的提高7.5%(精度)和9.5% (Macro-F1)与Q (2 d)方法相比,这表明捕获匹配的信息的重要性问题文本内的句子和句子之间内部答案文本。此外,在美和袋域,准确性和Macro-F1都增加,但增长率并不重要。(4)注意,我们清晰的文本表示方法问(4 d)使用QA交互层面和hyperinteraction-level维度达到最佳的性能在所有方法。在数字域的准确性和Macro-F1 Q (4 d)方法比问高1.3%和1.2% (3 d)方法只采用QA交互层面维度,分别。在美域Q (4 d)方法达到提高1.7%(精度)和0.5% (Macro-F1),和袋域,提高准确性和Macro-F1是3.4%和0.1%,分别。这表明,我们建议的方法Q (4 d)使用hyperinteraction-level维度可以有效地捕获的重要性程度问题句子及其aspect-related匹配回答句子对我们的任务和可以进一步提高分类任务的性能。此外,显著性检验,t以及,表明这种改进是重要的(值< 0.05)。(5)在我们之前的文章,类别分类的准确性方面是0.865的数字域。我们可以看到,multiattention模型的性能比我们的清晰的文本表示模型。

上述分析的基础上,我们建议可以应用于QA-style评论在三个领域和提高分类性能能文本表示语句与传统方法相比,特别是在数字域。

6.2。句子的影响数字文本或回答的问题

回答的研究问题5.4清晰,我们检查的性能的文本表示模型与各种句子的数量问题和答案文本从1到4的据统计实验数据在每一个领域。我们目前的结果对分类性能表3- - - - - -5在QA-style评论数字,美,袋域,列表示的数量问题的句子,和行代表回答句子的数量。

显然,三个数据集,我们可以发现,在这种情况下,问题句子的数量不等于回答的句子,当问题句子的数量是固定的,提高准确性和Macro-F1都是增加数量的句子回答。然而,当回答句子的数量是固定的,分类性能变得更糟的增加回答的句子,甚至比传统的Q (2 d)表示方法有句和字面意思表示。这将是我们的主要取决于问题的文本分类任务,而文本可以帮助问题的答案文本,进一步提高方面的性能类别分类任务QA-style评论。

在数量上相等时,我们的模型可以实现权衡性能改进。特别是,当句子的数量问题和答案文本等于2,我们建议达到最好的性能数字,美,袋域,特别是在数字域。此外,QA-style审查确认的数量我们的注释的指导方针不是很大,在美和袋域,有10和11个方面分类,分别,都超过这些数字域。因此,性能改善美或袋域比,不那么重要数字域。

此外,由于QA-style评论淘宝的网站很短的文字,句子内部的数量问题或答案清晰文本用于我们的文本表示模型不是越多,越好。特别是对于问题文本,如表所示1问题文本在三个领域的最大长度是71。如果我们细分成更多的句子,可能会适得其反。

根据上面的分析,考虑到QA-style评论其他电子商务平台类似于格式和表达我们的语料库,我们建议可以应用方面类别分类任务QA-style评论这些QA-style评论。

6.3。误差分析

根据QA-style分类错误的分析评论数字,美和袋域,我们发现一些主要原因误分类如下。

首先,实验数据可能导致的不均衡分布,这些QA-style评论往往是预测的方面包含更多QA-style评论。例如,在数字域,22.95%的误分类的预测方面QA-style评论IO。同样,在美域和影响袋是质量。

第二,QA-style评论是口语,所以现有的分词工具可能不段的话,它可以影响词的pretraining嵌入句文本表示。

第三,一些注释方面在不同的上下文中术语是模棱两可的。我们可以有意识地根据上下文确定这句话的含义和分类分类成正确的方面,这是对于一个训练有素的机器目前仍然困难。

第四,QA-style评论用于我们的实验是短的文本,以及我们主要取决于问题的文本分类任务。然而,如表所示1,问题文本的最大长度是71数字域,而在其他两个领域,它的值是42。句子分割后,神经网络的输入要短得多。这可能会导致我们的模型不能被训练得很好。

最后但不是最少,句子分割算法基于斯坦福CoreNLP工具包QA-style评论不够好,因为它可以忽略语法中句子之间的问题或答案文本。

7所示。结论

在本文中,我们解决小说方面对QA-style评审类别分类的任务,其目的是在一个给定的类别自动分类方面QA-style审查和构建一个高质量的标注语料库。为了解决这个任务,我们提出一个清晰的文本表示模型基于QA交互层面和捕捉aspect-related hyperinteraction-level维度匹配问题和答案文本之间的信息尽可能多。

我们的实验结果在三个手动标注数据集,也就是说,数字,美,袋数据集,证明我们提出的方法明显优于基准方法,即。能和句语句,文本表示基于维度。对我们提出的方法(3 d)和Q (4 d), Q (4 d)显然执行比Q (3 d)。详细问(4 d)提出了一种改进从3.7%到5.8%不等的准确性与最好的基线。Q + (2 d)。

在未来的工作中,我们要解决一些挑战方面类别分类任务QA-style评论根据误差分析,如短问题文本,数据分布不平衡,和语法解析,进一步提高该任务的性能。此外,我们想把字符嵌入与单词映射进行更好地代表了口语化的评论。

数据可用性

训练数据用于我们的实验主要是在淘宝“问”。使用的数据来支持本研究的发现可以从相应的作者。

信息披露

赞助商的资金没有参与这项研究的设计;在收集、分析或解释数据;写的手稿;或决定发布结果。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持部分由江苏工业未来的工程技术部门批准号BE2017081和中国国家自然科学基金批准号61572129。

引用

1. t . Mikolov m . Karafiat l . Burget j . Cemocky和s . Khudanpur“递归神经网络建立语言模型,”《第十一国际言语交际协会年会上2010年,日本千叶。视图:谷歌学术搜索
2. 赵黄m . y . Wang, l . et al .,“引起Istm aspect-level情绪分类,”学报2016年大会在自然语言处理的经验方法奥斯汀,页606 - 615年,TX,美国,2016年。视图:谷歌学术搜索
3. b . Liu“情绪分析和观点挖掘,”合成人类语言技术的讲座,5卷,不。1、1 - 167、2012页。视图:出版商的网站|谷歌学术搜索
4. l .江m . Yu m .周x Liu和t .赵“依赖于目标的twitter情绪分类,”美国第49计算语言学协会的年会:人类语言Technologies-Volume 1。计算语言学协会波特兰,页151 - 160,或者美国,2011年。视图:谷歌学术搜索
5. t . Alvarez-Lopez j . Juncal-Martinez m . Fernandez-Gavilanes et al .,“Gti semeval - 2016任务5:svm和crf方面检测和基于非监督方面的情绪分析,”学报第十届国际研讨会语义评价(semeval - 2016)圣地亚哥,页306 - 311,美国2016年。视图:谷歌学术搜索
6. j .·“BUTknot semeval - 2016任务5:监督机器学习与词替换类检测方法方面,”学报第十届国际研讨会语义评价(semeval - 2016)圣地亚哥,页301 - 305,美国2016年。视图:出版商的网站|谷歌学术搜索
7. s . Kiritchenko x朱、c .樱桃和s·m·穆罕默德”nrccananda - 2014:检测方面和情感在顾客评论,”学报》第八届国际研讨会语义评价(SemEval 2014),页437 - 442,都柏林,爱尔兰,2014年。视图:谷歌学术搜索
8. z苏,h .徐,d . Zhang, y,“中国使用神经网络tool-word2vec情绪classifification,”《2014年国际会议上多传感器融合和信息集成智能系统(MFI)IEEE,页1 - 6,北京,中国,2014。视图:谷歌学术搜索
9. y金”,句子classifification卷积神经网络,”学报2014年会议上实证方法在自然语言处理(EMNLP)1751年,页1746 -多哈,卡塔尔,2014。视图:谷歌学术搜索
10. n . Kalchbrenner大肠Grefenstette, p . Blunsom“卷积神经网络建模的句子,”2014年,https://arxiv.org/abs/1404.2188。视图:谷歌学术搜索
11. b . d . Tang秦,t·刘,“文档建模与递归神经网络的情绪分类,”2015年学报EMNLP:会议在自然语言处理的经验方法《里斯本条约》,页1422 - 1432年,葡萄牙,2015年9月。视图:出版商的网站|谷歌学术搜索
12. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
13. n . Vaswani n . Shazeer j . Parmar et al .,“注意你所需要的,”先进的神经信息处理系统,第6008 - 5998页,2017年。视图:谷歌学术搜索
14. z杨,杨d、c·代尔x他et al .,“层次关注网络文档分类,”学报2016年大会北美的计算语言学协会章:人类语言技术,第1489 - 1480页,2016年。视图:出版商的网站|谷歌学术搜索
15. z(音)和j·苏,“NLANGP:监督机器学习分类系统方面classifification和意见目标提取,”程序语义评价国际研讨会丹佛市,页496 - 501,美国2015年。视图:出版商的网站|谷歌学术搜索
16. w·雪,w .周,t·李,王,“MTNA:神经多任务模型方面classifification类别和术语提取方面餐馆评论,”第八届国际学报》联合会议上自然语言处理,页151 - 156,亚洲联合会自然语言处理,台北,台湾,2017。视图:谷歌学术搜索
17. 周x, x Wan和j·肖,”表示类别学习方面检测在线评论,”美国29日AAAI会议上人工智能2015年,奥斯汀,TX,美国。视图:谷歌学术搜索
18. t . Mikolov Sutskever, k . Chen等人”的分布式表示andphrases及其组合,“先进的神经信息处理系统,第3119 - 3111页,2013年。视图:谷歌学术搜索
19. z . b . Dhingra h . Liu Yang w·科恩和r . Salakhutdinov“Gated-attention读者对文本的理解,”学报55的计算语言学协会年度会议(卷1:长论文)1846年,页1832 -温哥华,加拿大,2017。视图:出版商的网站|谷歌学术搜索
20. c·曼宁m . Surdeanu j·鲍尔,j·芬克尔,s . Bethard和d . McClosky“斯坦福CoreNLP自然语言处理工具箱”学报52计算语言学协会的年会:系统演示美国马里兰州巴尔的摩,页则高达55 -,,2014。视图:出版商的网站|谷歌学术搜索

版权

版权©2020吴Hanqian et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。