【ChatBot】NLP专题论文解读:从Chatbot到NER

2017 年 11 月 10 日 产业智能官 机器之心

机器之心专栏

作者:Jeffreygao、robertdlut、lc222 

PaperWeekly


这里是第 11 期 PaperDaily。

本期论文笔记是由 PaperWeekly 社区用户 @Jeffreygao@robertdlut 和 @lc222 带来的 NLP 专题,涵盖对话系统命名实体识别(NER)和 QA 系统

如果有合你心意的论文,复制链接到浏览器即可查看原文。

对话系统

■ 论文 | Affective Neural Response Generation

■ 链接 | http://www.paperweekly.site/papers/1043

■ 作者 | Jeffreygao

1. 论文动机 

论文来自华为诺亚方舟实验室。

都说人工智能要有情感,能体会到人的喜怒哀乐,今天就来介绍一篇带有情绪的 chatbot。在以往的研究中,大部分对话系统都只关注生成对话的语法语义是否合理,这里面有考虑上下文的,有结合主题的,有生成长句子的等等。但很少有对话系统关注情感,这是很不合理的。因为在聊天中,当一个人表示难过的时候,另一方经常会回应适当的安慰;当一方感到开心时,另一方也会为其感到快乐。就好比 A 说“我的宠物狗去世了”,B 很自然应该回复“我为你感到难过”这样类似的话,同时这种带有情感交互的例子在我们日常对话中数不胜数。

实际上个人看来这个也是开放域对话之后一个很好的研究方向,毕竟有太多的 paper 去解决如何不产生“呵呵”这种无意义回答的问题了,只有真正的模拟人类的交谈才是好的 chatbot。

2. 相关工作 

在这篇文章中作者提到了两个相关工作一个是 ACL2017 上的 Affect Language Model [Ghosh et al. 2017],另一个是 Emotion Chatting Machine(ECM)[Zhou et al. 2017],看 arXiv 的排版应该是投给了 AAAI2018。

ECM 的模型相当漂亮,但是问题的定义很不合理,不合理在哪呢?这个模型是在给出 context,同时给出你想要生成的 response 的 emotion,然后生成一句带有这个 emotion 的 response。但是在日常对话中,并不会有上帝去给你指定要回复的 emotion。 

3. 模型 

这篇论文的模型以 seq2seq 为背景,主要在三个点上做改进。(1)在 embedding 上加情感信息(2)改进 loss function(3)beam search 时考虑情感。

3.1 带有情绪的词向量

在这里使用了 VAD 字典,解释如下:“Valence (V, the pleasantness of a stimulus), Arousal (A, the intensity of emotion produced, or the degree of arousal evoked, by a stimulus), and Dominance (D, the degree of power/control exerted by a stimulus). V-- 1, 5 and 9 corresponds to a word being very negative (e.g., pedophile), neutral (e.g., tablecloth) and very positive (e.g., happiness), respectively. A-- 1, 5 and 9 corresponds to a word having very low (e.g., dull), moderate (e.g., watchdog), and very high (e.g., insanity) emotional intensity, respectively. D-- 1, 5 and 9 corresponds to a word/stimulus that is very powerless (e.g., dementia), neutral (e.g., waterfall) and very powerful (e.g., paradise), respectively.” 

简单地说就是现在有个已经其他人评估好的词向量表了,词向量维度三维,每一维度分别采用感情的一个方面,表示形如:(V_score, A_score, D_score)。如果训练集中的单词在这个 VAD 表里,就取这个词向量;如果是不在表中的 oov 词,取 [5, 1, 5] 作为比较中性的词,其实就相当于我们平时处理 oov 词时候的 unk 一样。 

文章中具体的做法是将传统的词向量和这个情绪向量 W2VA 连在一起,作为 encoder 和 decoder 的 input。其实这个方法和 emotion chatting machine 的第一步是异曲同工的,只不过在 ecm 中这个情绪向量是学来的,没有用外部词典。

3.2 带有情绪的目标函数

作者在这里提出了三个不同的 loss function,其实在我看来也是不得已而为之,因为它没有更好的办法融合这些东西。 

3.2.1 最小化情感失调

在这个 loss function 处,作者做的假设是:两个人聊天,情感不会太迅速或者频繁转变。举个栗子:你说一句比较友好的话,我也会回你一句比较友好的话,就是客套呗;你说一句挑衅的话,我会回你一句比较愤怒的话。很自然的,loss function 不但要考虑交叉熵还要考虑生成 response 的情感和 input 的情感是不是接近,这里用欧氏距离来衡量。如下:

3.2.2 最大化情感失调

在这里,作者又做了个假设,比如两个不太熟的人聊天,一个人过分友好可能会引起另一个人的反感。然后就尽可能让两句话情感不一致,把上面公式的第二项的符号换一下就好了。loss function 符号为 LDMAX。 

3.2.3 最大化情感内容

这里是想要模型生成出的句子具有很明显的情感特征,以避免生成那种无聊的话,但并不需要指定情感是积极还是消极。变向地,这也是一种避免产生”呵呵“,”我不知道“的一种方法。loss function 如下:

3.3 带有情绪多样的解码

这个解码是基于 diverse beam search 的,diverse beam search 是在 beam search 的基础上,把 top B 序列分成 G 个 group,然后加一个额外的惩罚项,这个惩罚项的目的在于让 group A 中下一时刻的 search 出来的东西尽可能和其他 group 下一时刻 search 出来的东西不一样,这就达到了 diverse 的目的。这里也从两个 level 来衡量,一个是单个词的情绪,一个是整个句的情绪,标准就用向量的 cosine 函数来衡量相似度。

4. 实验部分

文章用的是康奈尔电影对话数据集,评估没有采用 BLEU,ROUGE,METEOR 等作为指标,而是采用找人来评估,能够理解这种做法,因为 BLEU 等指标对于这种对话来说实际上意义不大,而且可能效果还不如别人的好。注意,在使用情感的 loss function 方法上,先使用普通交叉熵目标函数训练 40 个 epoch,然后再使用特定的 loss function 训练 10 个 epoch。文中提到如果上来就使用特定的 loss function 训练,生成回答的语法会很差。 

5. 对模型的感想

总体看来在 seq2seq 的三个必要的步骤里都做了情感的改进,不过方法看上去依然有点勉强,没有明显建模情感的交互,不过也算是对话系统里的一个情感的初步尝试。

6. 参考文献

[Ghosh et al. 2017] Ghosh, S.; Chollet, M.; Laksana, E.; Morency, L.-P.; and Scherer, S. 2017. Affect-LM: A neural language model for customizable affective text generation. In ACL, 634–642. 

[Zhou et al. 2017] Zhou, H.; Huang, M.; Zhang, T.; Zhu, X.; and Liu, B. 2017. Emotional chatting machine: Emotional conversation generation with internal and external memory. arXiv preprint arXiv:1704.01074.

命名实体识别

■ 论文 | End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF

■ 链接 | http://www.paperweekly.site/papers/367

■ 作者 | robertdlut

近年来,基于神经网络的深度学习方法在自然语言处理领域已经取得了不少进展。作为 NLP 领域的基础任务—命名实体识别(Named Entity Recognition,NER)也不例外,神经网络结构在 NER 中也取得了不错的效果。其中,正如这篇论文,同一时期出现了很多类似的 NN-CRF 结构来进行 NER,并成为目前主流 NER 模型,取得了不错的效果。在此进行一下总结,和大家一起分享学习。

1. 引言

命名实体识别(Named Entity Recognition,NER)就是从一段自然语言文本中找出相关实体,并标注出其位置以及类型,如下图。它是 NLP 领域中一些复杂任务(例如关系抽取,信息检索等)的基础。NER 一直是 NLP 领域中的研究热点,从早期基于词典和规则的方法,到传统机器学习的方法,到近年来基于深度学习的方法,NER 研究进展的大概趋势大致如下图所示。

在基于机器学习的方法中,NER 被当作是序列标注问题。与分类问题相比,序列标注问题中当前的预测标签不仅与当前的输入特征相关,还与之前的预测标签相关,即预测标签序列之间是有强相互依赖关系的。例如,使用 BIO 进行 NER 时,正确的标签序列中标签 O 后面是不会接标签I的。

在传统机器学习中,条件随机场(Conditional Random Field,CRF)是 NER 目前的主流模型。它的目标函数不仅考虑输入的状态特征函数,而且还包含了标签转移特征函数。在训练时可以使用 SGD 学习模型参数。在已知模型时,给输入序列求预测输出序列即求使目标函数最大化的最优序列,是一个动态规划问题,可以使用维特比算法进行解码。不过 CRF 依赖于特征工程,常用的特征如下:

接下里我们重点看看如何使用神经网络结构来进行 NER。 

2. NER中主流的神经网络结构 

2.1 NN/CNN-CRF模型 

其实,比这篇论文更早,《Natural language processing (almost) from scratch》就使用神经网络进行 NER。

在这篇论文中,作者提出了窗口方法与句子方法两种网络结构来进行 NER。这两种结构的主要区别就在于窗口方法仅使用当前预测词的上下文窗口进行输入,然后使用传统的 NN 结构;而句子方法是以整个句子作为当前预测词的输入,加入了句子中相对位置特征来区分句子中的每个词,然后使用了一层卷积神经网络 CNN 结构。

在训练阶段,作者也给出了两种目标函数:一种是词级别的对数似然,即使用 softmax 来预测标签概率,当成是传统一个分类问题;另一种是句子级别的对数似然,其实就是考虑到 CRF 模型在序列标注问题中的优势,将标签转移得分加入到了目标函数中。后来许多相关工作把这个思想称为结合了一层 CRF 层,所以我这里称为 NN/CNN-CRF 模型。

在作者的实验中,上述提到的 NN 和 CNN 结构效果基本一致,但是句子级别似然函数即加入 CRF 层在 NER 的效果上有明显提高。 

2.2 RNN-CRF模型 

借鉴上面的 CRF 思路,在 2015 年左右出现了一系列使用 RNN 结构并结合 CRF 层进行 NER 的工作,其中就包括了这篇论文。代表工作主要有:

将这些工作总结起来就是一个 RNN-CRF 模型,模型结构如下图:

它主要有 Embedding 层(主要有词向量,字符向量(在字符向量实现的具体方法上,有使用 CNN 比如这篇论文,还有使用 RNN,不过效果我感觉差不多)以及一些额外特征),双向 RNN 层,tanh 隐层以及最后的 CRF 层构成。它与之前 NN/CNN-CRF 的主要区别就是他使用的是双向 RNN 代替了 NN/CNN。这里 RNN 常用 LSTM 或者 GRU。

实验结果表明 RNN-CRF 获得了更好的效果,已经达到或者超过了基于丰富特征的 CRF 模型,成为目前基于深度学习的 NER 方法中的最主流模型。在特征方面,该模型继承了深度学习方法的优势,无需特征工程,使用词向量以及字符向量就可以达到很好的效果,如果有高质量的词典特征,能够进一步获得提高。 

3. 近期的一些工作 

最近的一年在基于神经网络结构的 NER 研究上,主要集中在两个方面:一是使用流行的注意力机制来提高模型效果(Attention Mechanism),二是针对少量标注训练数据进行的一些研究。 

3.1 Attention-based 

《Attending to Characters in Neural Sequence Labeling Models》该论文还是在 RNN-CRF 模型结构基础上,重点改进了词向量与字符向量的拼接。使用 attention 机制将原始的字符向量和词向量拼接改进为了权重求和,使用两层传统神经网络隐层来学习 attention 的权值,这样就使得模型可以动态地利用词向量和字符向量信息。实验结果表明比原始的拼接方法效果更好。


另一篇论文《Phonologically aware neural model for named entity recognition in low resource transfer settings》,在原始 BiLSTM-CRF 模型上,加入了音韵特征,并在字符向量上使用 attention 机制来学习关注更有效的字符,主要改进如下图。


3.2 少量标注数据 

对于深度学习方法,一般需要大量标注数据,但是在一些领域并没有海量的标注数据。所以在基于神经网络结构方法中如何使用少量标注数据进行 NER 也是最近研究的重点。其中包括了迁移学习《Transfer Learning for Sequence Tagging with Hierarchical Recurrent Networks》和半监督学习。

这里我提一下最近 ACL2017 刚录用的一篇论文《Semi-supervised sequence tagging with bidirectional language models》。该论文使用海量无标注语料库训练了一个双向神经网络语言模型,然后使用这个训练好的语言模型来获取当前要标注词的语言模型向量(LM embedding),然后将该向量作为特征加入到原始的双向 RNN-CRF 模型中。

实验结果表明,在少量标注数据上,加入这个语言模型向量能够大幅度提高 NER 效果,即使在大量的标注训练数据上,加入这个语言模型向量仍能提供原始 RNN-CRF 模型的效果。整体模型结构如下图:

4. 总结

论文的实验部分我就不介绍了,最后进行一下总结,目前将神经网络与 CRF 模型相结合的 NN/CNN/RNN-CRF 模型成为了目前 NER 的主流模型。我认为对于 CNN 与 RNN,并没有谁占据绝对的优势,各自有相应的优点。由于 RNN 有天然的序列结构,所以 RNN-CRF 使用更为广泛。

基于神经网络结构的 NER 方法,继承了深度学习方法的优点,无需大量人工特征。只需词向量和字符向量就能达到主流水平,加入高质量的词典特征能够进一步提升效果对于少量标注训练集问题,迁移学习,半监督学习应该是未来研究的重点。

5. 参考文献

[1] Lafferty J, McCallum A, Pereira F. Conditional random fields: Probabilistic models for segmenting and labeling sequence data. Proceedings of the eighteenth international conference on machine learning, ICML. 2001, 1: 282-289. 

[2] Sutton C, McCallum A. An introduction to conditional random fields. Foundations and Trends® in Machine Learning, 2012, 4(4): 267-373. 

[3] Collobert R, Weston J, Bottou L, et al. Natural language processing (almost) from scratch. Journal of Machine Learning Research, 2011, 12(Aug): 2493-2537. 

[4] Lample G, Ballesteros M, Subramanian S, et al. Neural Architectures for Named Entity Recognition. Proceedings of NAACL-HLT. 2016: 260-270. 

[5] Huang Z, Xu W, Yu K. Bidirectional LSTM-CRF models for sequence tagging. arXiv preprint arXiv:1508.01991, 2015. 

[6] Ma X, Hovy E. End-to-end sequence labeling via bi-directional lstm-cnns-crf. arXiv preprint arXiv:1603.01354, 2016. 

[7] Chiu J P C, Nichols E. Named entity recognition with bidirectional LSTM-CNNs. arXiv preprint arXiv:1511.08308, 2015. 

[8] Rei M, Crichton G K O, Pyysalo S. Attending to Characters in Neural Sequence Labeling Models. arXiv preprint arXiv:1611.04361, 2016. 

[9] Akash Bharadwaj, David Mortensen, Chris Dyer, Jaime G Carbonell. Phonologically aware neural model for named entity recognition in low resource transfer settings. EMNLP, pages 1462–1472, 2016. 

[10] Yang Z, Salakhutdinov R, Cohen W W. Transfer Learning for Sequence Tagging with Hierarchical Recurrent Networks. ICLR, 2017. 

[11] Matthew E. Peters, Waleed Ammar, Chandra Bhagavatula, Russell Power. Semi-supervised sequence tagging with bidirectional language models. ACL, 2017.

QA系统

■ 论文 | Gated End-to-End Memory Networks

■ 链接 | http://www.paperweekly.site/papers/1073

■ 作者 | lc222

本文是在 End-To-End Memory Networks 这篇论文的基础上做了一些修改。因为 End-To-End Memory Networks 在 multi-fact QA、 positional reasoning、 dialog 等领域的效果还不是很好,所以本文参考 CV 领域中 HighWay Networks 和 Residual Networks 涉及到的 shortcut connections,引入 Gated 机制,以实现对 memory 的正则化,从而让模型可以动态的修改 memory。 

因为 End-To-End Memory Networks 已经很熟悉了,所以我们先来介绍一下 Highway Networks 的想法。其主要是在网络输出下一层之前引入了一个 transform gate T 和一个 carry Gated C,以让网络学习什么、多少信息应该被传到下一层。我们假设本层网络的输出为:y=H(x),那么就加入下面的映射函数: 

往往我们会选择 C = 1-T,所以上面的公式可以转化为: 

 

而残差网络则可以视为是Highway网络的一种特例,因为其直接把 T 和 C 都当做 I,所以就相当于 y=H(x) + x。但是这里背后的原理我还没来得及搞明白,为什么这样就可以让更深的网络很容易就训练成功,等有时间再看看相关的论文学习下。 

然后我们来看一下如何将其融入到 End-To-End Memory Networks 中,由于其每个 hop 的功能都可以视为 u'=H(u),所以对应到上面的公式,u 就相当于输入 x,o 就相当于输出 y,所以代入上式得: 

也就是修改一下原来模型中输出层的公式即可。然后参数 W 和 b 有全局和每个 hop 独立两种方式,后面实验结果证明,每个 hop 保持独立效果会比较好。论文的创新点倒不是很大,只不过是将两篇论文结合一下,但是看有实验效果好像还有挺大的提升。最终的模型架构图如下所示: 

实验结果

本文所提出的模型不仅仅在 bAbI 数据集上取得了很好的效果,而且在 dialog bAbI 对话数据集上也取得了很好的效果。这个数据集应该会在后面的文章中进行介绍,这里就不赘述了。这里也贴上两张实验结果的图:

第二张图揭示得是 MemNN 与本文提出模型各个 hop 对每个句子的权重计算,可以看出本文的模型更加集中在最重要的那个句子上面,而 MemNN 则比较分散,也说明了本文模型效果更好。


 



人工智能赛博物理操作系统

AI-CPS OS

人工智能赛博物理操作系统新一代技术+商业操作系统“AI-CPS OS:云计算+大数据+物联网+区块链+人工智能)分支用来的今天,企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中,利用AI-CPS OS形成数字化+智能化力量,实现行业的重新布局、企业的重新构建和自我的焕然新生。


AI-CPS OS的真正价值并不来自构成技术或功能,而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务数据+分析一体化,这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合,没有颠覆现状的意愿,这些将不可能实现。


领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量,领导者必须在行业、企业与个人这三个层面都保持领先地位:

  1. 重新行业布局:你的世界观要怎样改变才算足够?你必须对行业典范进行怎样的反思?

  2. 重新构建企业:你的企业需要做出什么样的变化?你准备如何重新定义你的公司?

  3. 重新打造自己:你需要成为怎样的人?要重塑自己并在数字化+智能化时代保有领先地位,你必须如何去做?

AI-CPS OS是数字化智能化创新平台,设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端,可以帮助企业将创新成果融入自身业务体系,实现各个前沿技术在云端的优势协同。AI-CPS OS形成的字化+智能化力量与行业、企业及个人三个层面的交叉,形成了领导力模式,使数字化融入到领导者所在企业与领导方式的核心位置:

  1. 精细种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切,进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。

  2. 智能:模型随着时间(数据)的变化而变化,整个系统就具备了智能(自学习)的能力。

  3. 高效:企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力,这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。

  4. 不确定性:数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验,其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域:技术、文化、制度。

  5. 边界模糊:数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化,还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长:

  1. 创造虚拟劳动力,承担需要适应性和敏捷性的复杂任务,即“智能自动化”,以区别于传统的自动化解决方案;

  2. 对现有劳动力和实物资产进行有利的补充和提升,提高资本效率

  3. 人工智能的普及,将推动多行业的相关创新,开辟崭新的经济增长空间


给决策制定者和商业领袖的建议:

  1. 超越自动化,开启新创新模式:利用具有自主学习和自我控制能力的动态机器智能,为企业创造新商机;

  2. 迎接新一代信息技术,迎接人工智能:无缝整合人类智慧与机器智能,重新

    评估未来的知识和技能类型;

  3. 制定道德规范:切实为人工智能生态系统制定道德准则,并在智能机器的开

    发过程中确定更加明晰的标准和最佳实践;

  4. 重视再分配效应:对人工智能可能带来的冲击做好准备,制定战略帮助面临

    较高失业风险的人群;

  5. 开发数字化+智能化企业所需新能力:员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说,创造兼具包容性和多样性的文化也非常重要。


子曰:“君子和而不同,小人同而不和。”  《论语·子路》云计算、大数据、物联网、区块链和 人工智能,像君子一般融合,一起体现科技就是生产力。


如果说上一次哥伦布地理大发现,拓展的是人类的物理空间。那么这一次地理大发现,拓展的就是人们的数字空间。在数学空间,建立新的商业文明,从而发现新的创富模式,为人类社会带来新的财富空间。云计算,大数据、物联网和区块链,是进入这个数字空间的船,而人工智能就是那船上的帆,哥伦布之帆!


新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力,将进一步释放历次科技革命和产业变革积蓄的巨大能量,并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节,形成从宏观到微观各领域的智能化新需求,催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革,深刻改变人类生产生活方式和思维模式,实现社会生产力的整体跃升。





产业智能官  AI-CPS



用“人工智能赛博物理操作系统新一代技术+商业操作系统“AI-CPS OS:云计算+大数据+物联网+区块链+人工智能)在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能;实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链






长按上方二维码关注微信公众号: AI-CPS,更多信息回复:


新技术“云计算”、“大数据”、“物联网”、“区块链”、“人工智能新产业:智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市、“智能驾驶”新模式:“财富空间、“特色小镇”、“赛博物理”、“供应链金融”


点击“阅读原文”,访问AI-CPS OS官网




本文系“产业智能官”(公众号ID:AI-CPS)收集整理,转载请注明出处!



版权声明产业智能官(公众号ID:AI-CPS推荐的文章,除非确实无法确认,我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题,烦请原作者联系我们,与您共同协商解决。联系、投稿邮箱:erp_vip@hotmail.com






登录查看更多
8

相关内容

损失函数,在AI中亦称呼距离函数,度量函数。此处的距离代表的是抽象性的,代表真实数据与预测数据之间的误差。损失函数(loss function)是用来估量你模型的预测值f(x)与真实值Y的不一致程度,它是一个非负实值函数,通常使用L(Y, f(x))来表示,损失函数越小,模型的鲁棒性就越好。损失函数是经验风险函数的核心部分,也是结构风险函数重要组成部分。
【斯坦福新课】CS234:强化学习,附课程PPT下载
专知会员服务
118+阅读 · 2020年1月15日
BERT进展2019四篇必读论文
专知会员服务
67+阅读 · 2020年1月2日
2019->2020必看的十篇「深度学习领域综述」论文
专知会员服务
270+阅读 · 2020年1月1日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
近期有哪些值得读的QA论文?| 专题论文解读
PaperWeekly
4+阅读 · 2018年6月5日
ICCV2017 论文解读:基于图像检索的行人重识别
极市平台
7+阅读 · 2017年11月15日
NLP专题论文解读:从Chatbot、NER到QA系统...
数据派THU
27+阅读 · 2017年11月12日
专栏 | NLP专题论文解读:从Chatbot到NER
机器之心
17+阅读 · 2017年11月9日
NLP 专题论文解读:从 Chatbot 到 NER | PaperDaily #11
PaperWeekly
5+阅读 · 2017年11月8日
ACL 2017自然语言处理精选论文
CSDN大数据
5+阅读 · 2017年9月14日
ACL 2017自然语言处理精选论文解读
人工智能头条
5+阅读 · 2017年9月13日
Generative Adversarial Text to Image Synthesis论文解读
统计学习与视觉计算组
13+阅读 · 2017年6月9日
Arxiv
4+阅读 · 2019年9月26日
Neural Approaches to Conversational AI
Arxiv
8+阅读 · 2018年12月13日
Arxiv
4+阅读 · 2018年5月10日
Arxiv
13+阅读 · 2018年1月20日
VIP会员
相关资讯
近期有哪些值得读的QA论文?| 专题论文解读
PaperWeekly
4+阅读 · 2018年6月5日
ICCV2017 论文解读:基于图像检索的行人重识别
极市平台
7+阅读 · 2017年11月15日
NLP专题论文解读:从Chatbot、NER到QA系统...
数据派THU
27+阅读 · 2017年11月12日
专栏 | NLP专题论文解读:从Chatbot到NER
机器之心
17+阅读 · 2017年11月9日
NLP 专题论文解读:从 Chatbot 到 NER | PaperDaily #11
PaperWeekly
5+阅读 · 2017年11月8日
ACL 2017自然语言处理精选论文
CSDN大数据
5+阅读 · 2017年9月14日
ACL 2017自然语言处理精选论文解读
人工智能头条
5+阅读 · 2017年9月13日
Generative Adversarial Text to Image Synthesis论文解读
统计学习与视觉计算组
13+阅读 · 2017年6月9日
Top
微信扫码咨询专知VIP会员