Sarcasm Detection with Self-matching Networks and Low-rank Bilinear Pooling
Sarcasm Detection with Self-matching Networks and Low-rank Bilinear Pooling
click here:文章下载
方法综述:
本文中使用了三个模型,分别是self-matching network、Bi-LSTM、Low-rank Bilinear Pooling method(LBPR):
self-matching network: 通过单词对间的信息,获取句子的incongruity information
Bi-LSTM: 通过句子的序列信息,获取句子的compositional information
Low-rank Bilinear Pooling method: 融合incongruity information和compositional information
各模型算法:
self-matching network
target: 求输入句子的 attend feature vector : fa∈Rk⟹fa=S⋅af_a \in R^k \implies f_a=S·afa∈Rk⟹fa=S⋅a
S是输入句子的word-embedding表示,S∈Rk×nS \in R^{k \times n}S∈Rk×n
于是问题转变成为,求解self-matched attention vector : a∈Rna \in R^na∈Rn
其中,k为单词表示维度,n为句子单词数。
求解a∈Rna \in R^na∈Rn:
考虑到,单词对表示向量间进行内积运算,只抓住特征向量间的相关性,却忽视了情感信息,所以定义了一种新的计算方式。对于单词对(ei,ej)(e_i, e_j)(ei,ej),ei∈Rke_i \in R^kei∈Rk:
joint feature vector: wi,j∈R⟹wi,j=tanh(ei⋅Mi,j⋅ejT)w_{i,j} \in R \implies w_{i,j}=tanh(e_i · M_{i,j} · e_j^T)wi,j∈R⟹wi,j=tanh(ei⋅Mi,j⋅ejT)
其中,Mi,j∈Rk×kM_{i,j} \in R^{k \times k}Mi,j∈Rk×k,是要学习的参数。
建立self-matching information matrix : W∈Rn×nW \in R^{n \times n}W∈Rn×n:
对WWW每行取最大值,组成向量 m∈Rnm \in R^nm∈Rn
⟹a=Softmax(m)⟹a∈Rn\implies a=Softmax(m) \implies a \in R^n⟹a=Softmax(m)⟹a∈Rn
Bi-LSTM
target: 利用Bi-LSTM的隐含层输出,作为输入句子的特征向量feature vector : fl∈Rd⟹fl=h1f_l \in R^d \implies f_l=h_1fl∈Rd⟹fl=h1,d是超参数,hi∈Rdh_i \in R^dhi∈Rd。
注:此处有个疑问,为什么只使用第一个时间步的输出呢?最后一个时间步的输出又如何呢?
Low-rank Bilinear Pooling
target: 融合上述两个模型得到的向量fa∈Rk,fl∈Rdf_a \in R^k, f_l \in R^dfa∈Rk,fl∈Rd,得到最终的融合向量f∈Rcf \in R^cf∈Rc,并进行二分类,得到输出向量pi∈R2p_i \in R^2pi∈R2。c是超参数。
f=UT⋅fa∘VT⋅fl+bf=U^T \cdot f_a \circ V^T \cdot f_l + bf=UT⋅fa∘VT⋅fl+b
pi=Softmax(Wf⋅f+b)p_i=Softmax(W_f \cdot f + b)pi=Softmax(Wf⋅f+b)
其中,U∈Rk×c,V∈Rd×c,g∈Rc,Wf∈R2×c,b∈R2U \in R^{k \times c}, V \in R^{d \times c}, g \in R^{c}, W_f \in R_{2 \times c}, b \in R^2U∈Rk×c,V∈Rd×c,g∈Rc,Wf∈R2×c,b∈R2,这些都是需要学习的参数。
注:∘\circ∘ 表示 Hadamard Product,简单来说就是矩阵对应位置元素相乘。
训练目标:
待学习参数:θ={Mi,j,U,V,g,Wf,b}\theta = \{ M_{i,j},U,V,g,W_f,b \}θ={Mi,j,U,V,g,Wf,b}
超参数:d,c,λd, c, \lambdad,c,λ
Sarcasm Detection with Self-matching Networks and Low-rank Bilinear Pooling相关推荐
- 【卷积神经网络的加速】Speeding up Convolutional Neural Networks with Low Rank Expansions
主题:[深度卷积神经网络的加速] Speeding up Convolutional Neural Networks with Low Rank Expansions 附上论文链接:上一篇中提到的低秩 ...
- 深度学习论文阅读目标检测篇(三):Faster R-CNN《 Towards Real-Time Object Detection with Region Proposal Networks》
深度学习论文阅读目标检测篇(三):Faster R-CNN< Towards Real-Time Object Detection with Region Proposal Networks&g ...
- 读书笔记:Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks
Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks 著名的faster R-CNN 当然应该好好 ...
- 谣言检测相关论文阅读笔记:Towards Multi-Modal Sarcasm Detection via Hierarchical Congruity Modeling
Towards Multi-Modal Sarcasm Detection via Hierarchical Congruity Modeling with Knowledge Enhancement ...
- 【论文阅读】Multi-Modal Sarcasm Detection 图文反讽识别
Multi-Modal Sarcasm Detection 图文反讽识别 题目:Multi-Modal Sarcasm Detection in Twitter with Hierarchical F ...
- 【论文泛读】Modeling Intra and Inter-modality Incongruity for Multi-Modal Sarcasm Detection
论文题目:Modeling Intra and Inter-modality Incongruity for Multi-Modal Sarcasm Detection 时间:2020 来源:EMNL ...
- Scalable Object Detection using Deep Neural Networks 阅读笔记
Scalable Object Detection using Deep Neural Networks 基于深度神经网络的可伸缩目标检测 14年的文章 是一个用于检测的显著性启发式神经网络模型, 分 ...
- 论文 | Credit Card Fraud Detection Using Convolutional Neural Networks
本篇博客继续为大家介绍一篇论文,也是关于用卷积神经网络 CNN 来进行信用卡欺诈检测的. 论文信息 论文题目:Credit card fraud detection using convolution ...
- [Paper]Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks
Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks 基于卷积神经网络的心脏科医生级别的心律失常检测 A ...
最新文章
- The Minimum Cycle Mean in a Digraph 《有向图中的最小平均权值回路》 Karp
- golang中的jwt
- APICloud中app如何在手机端测试
- 再回首Java第十一天
- HDU 2112 HDU Today lt;SPFA算法+map函数gt;
- C++ 易混淆的概念-sizeof和strlen、char* 和char[]、*p++和(*p)++
- python 文本框内容变化_监听文本输入框内容值的改变——4种方法
- mysql 5.6 cmake_mysql5.6如何使用cmake编译
- 【java学习之路】(java SE篇)005.面向对象基础入门part2
- 中信所 分区 查询_SCI期刊引证报告自科版2018(中信所分区)
- log4j 日志书写格式_Log4J日志配置详解
- 计算机网络中的www服务,计算机网络基础练习题01
- Vue动态加载并注册组件
- 线程停止(stop/intrrupt)
- Jmeter 阶梯线程组
- 用python-turtle优雅的画椭圆
- 深度解析C语言文件操作以及常见问题
- 佛祖保佑永无BUG python版本
- android 获取屏幕旋转方向,android获取手机屏幕尺寸和旋转方向
- android 西班牙语,Android新增语言的方法(墨西哥的西班牙语)
热门文章
- 源代码托管网站BitBucket
- pycharm使用虚拟环境时出现的那些问题
- 深入理解ActiveMQ支持的2类消息发送接收模型queue和topic
- 蚂蚁监控平台 - antmonitor架构设计
- git的学习笔记(一):git本地操作
- 7005-艺赛旗RPA8.0产品介绍(2019.01)
- vulnhub靶场——Hacker-Kid-v1-0-1
- 心脏出血漏洞(CVE-2014-0160)
- 计算机网络不同网段,WIN7系统计算机不同网段如何共享资源
- 【python第一章 基础捋顺,第二章 python基础语法】