IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 自然语言处理(七):注意卷积神经网络的简单问题回答 -> 正文阅读

[人工智能]自然语言处理(七):注意卷积神经网络的简单问题回答

论文名称:Simple Question Answering by Attentive Convolutional Neural Network
论文地址:https://arxiv.org/pdf/1606.03391.pdf
前置知识:上篇博客我们说了知识图谱是什么,以及要解决什么问题,本篇博客不再复述该部分。
作者Wenpeng Yin的这篇论文主要讲了实体链接网络和关系检测网络的改进机制。

一、关系链接网络

1.word-cnn

关系链接网络的结构如下图所示,该机制相对于传统的lstm的一大区别为使用卷积神经网络cnn来对词向量进行处理,word-CNN可以提取更细粒度的信息。就pridicate(谓语)而言,其时间信息不够明显,用cnn提取整体信息效果反而更好一些。而在pattern中,论文使用了注意力机制,提取信息与transform相似,考虑了时间信息。
在这里插入图片描述

2.注意力机制

该模型在池化层引入了注意力机制,让信息提取更有效化。如下图所示, V T M P {V_{TMP}} VTMP?是传统池化层的输出, V A M P {V_{AMP}} VAMP?是加入注意力机制的池化层输出。
在这里插入图片描述
计算过程如下:
(1)谓语词向量和 F p a t t e r n {F_{pattern}} Fpattern?矩阵每一列计算余弦相似度,该部分如下图所示:
在这里插入图片描述
(2)计算出相似度后,我们进行这样一个处理,小于0的值我们设置为0(其实就是relu),;大于0的数,我们给每个数都除以最大值(归一化,防止整体数据过小),得到 S ? \mathop S\limits^ - S??。即 0.97 0.97 = 1 {{0.97} \over {0.97}} = 1 0.970.97?=1 0 0.97 = 0 {{0} \over {0.97}} = 0 0.970?=0 0.76 0.97 = 0.78 {{0.76} \over {0.97}} = 0.78 0.970.76?=0.78 0.70 0.97 = 0.71 {{0.70} \over {0.97}} = 0.71 0.970.70?=0.71,结果如下图所示。
在这里插入图片描述
(3) F p a t t e r n {F_{pattern}} Fpattern?矩阵的每一列除以对应的 S ? \mathop S\limits^ - S??值,得到 F d e c a y {F_{decay}} Fdecay?矩阵。计算过程如下图所示。
在这里插入图片描述
(4)计算每一行的最大值,并对其位置进行标记得到coord,标记过程如下图。
在这里插入图片描述
(5)最后,我们利用coord把原始矩阵 F p a t t e r n {F_{pattern}} Fpattern?的值给选出来,生成 V A M P {V_{AMP}} VAMP?
在这里插入图片描述
加入注意力机制后的max-pooling不仅考虑到了哪个单词信息量更大,而且考虑到了哪个词和predicate(谓语)的关系更为密切,所以能更有效提取信息。

二、实体链接网络

实体链接网络结构如下图所示,相比于使用word-embedding和lstm,本论文使用char-cnn无需考虑单词内部的语法信息。实体和mention包含的时间信息并不多,使用char-cnn可以更细粒度的检测,并且在我们拼写错误时仍可以有效提取信息(得益于感受野对整体信息的抽取,即更关注重点而非细节)。
在这里插入图片描述

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-29 09:05:19  更:2021-08-29 09:08:32 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/1 12:27:00-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码