摘要： 摘要 本文主要研究基于方面的情感分析的两个子任务，即方面项提取和方面情感分类，我们称之为方面项极性共提取。前者的任务是从意见文档中提取产品或服务的方面，后者是识别文档中表达的关于这些提取方面的极性。大多数现有的算法将它们视为两个独立的任务，并逐个求解，或者只执行一个任务，这对于实际应用来说可能很复杂 阅读全文

摘要： 1介绍 知识图的关键成分是关系事实，其中大多数由语义关系连接的两个实体组成。这些事实的形式为（主语、关系、宾语）或（s、r、o），称为关系三元组。从自然语言文本中提取关系三元组是构建大规模知识图的关键步骤。 关系三重抽取的早期工作采用了流水线方法 ，它首先识别句子中的所有实体，然后对每个实体对进行关 阅读全文

摘要： 摘要 面向开放域的情感分析旨在从句子中检测意见目标及其情感极性。之前的工作通常将此任务描述为序列标记问题。然而，该公式存在搜索空间大、情感不一致等问题。为了解决这些问题，我们提出了一个基于广度的抽取-再分类框架，在目标span边界的监督下，直接从句子中抽取多个观点目标，然后使用它们span表示对相应 阅读全文

摘要： 全角字符有两种： 空格：它的全角值十进制整数为12288，十六进制为0x3000，而其半角十进制整数值为32，十六进制结果为0x20. 有规律的字符：这类字符的全角十进制整数范围为[65281,65374]，十六进制[0xFF01,0xFF5E]，半角十进制整数值[33,126]，十六进制[0x21 阅读全文

摘要： 基于依赖关系的LSTM-CRF的命名实体识别 摘要 依赖树结构捕捉句子中单词之间的远距离和句法关系。句法关系（例如，名词主语、宾语）可能推断出某些命名实体的存在。此外，命名实体识别器的性能还可以受益于依赖树中单词之间的长距离依赖关系。在这项工作中，我们提出了一个简单而有效的依赖导向LSTM-CRF模 阅读全文

摘要： 论文整体使用了transformer的编码层，对于自注意力的计算方式进行了改变，引入了相对位置编码。 主要创新点： 将lattice-LSTM中词的图结构信息给“拉平”成统一的序列输入，从而解决了LSTM无法高效并行，而transformer具有更强的语义和长依赖的编码能力。 引入相对位置编码，这个 阅读全文

摘要： 论文使用了Lattice结构LSTM模型应用于命名实体识别，模型对一系列输入字符以及所有与词典匹配的潜在单词进行编码，与基于字符的方法相比，我们的模型显式地利用了单词和单词序列信息。与基于词的方法相比，lattice LSTM不存在分割错误。模型利用显式单词进行字符序列标记，不会出现分割错误。 模型 阅读全文

摘要： 安装jsonnet报错： Running setup.py clean for jsonnetFailed to build jsonnetInstalling collected packages: jsonnet Running setup.py install for jsonnet ... 阅读全文

摘要： 安装：https://blog.csdn.net/qq_33934427/article/details/107897401 CondaHTTPError: HTTP 000 CONNECTION FAILED for url <https://mirrors.tuna.tsinghua.edu.c 阅读全文

摘要： 对抗训练参考博客：https://wmathor.com/index.php/archives/1537/ 虚拟对抗训练：https://zhuanlan.zhihu.com/p/96106267 阅读全文