有各种各样的NLP问题可以用图结构最好地表达。基于图的深度学习技术(即图神经网络(GNNs))在建模非欧氏数据(如图)方面的巨大优势,为解决具有挑战性的图类NLP问题打开了一扇新的大门,并取得了巨大的成功。尽管取得了成功,但在图上的深度学习(DLG4NLP)仍然面临许多挑战(如自动图的构造、复杂图的图表示学习、复杂数据结构之间的映射学习)。

本教程将介绍深度学习技术在自然语言处理中的应用,包括自然语言处理的自动图构造、自然语言处理的图表示学习、自然语言处理的基于GNN的高级模型(如graph2seq和graph2tree),以及GNN在各种自然语言处理任务中的应用(如机器翻译、图像处理和图像处理)。自然语言生成、信息提取和语义解析)。此外,我们还将举办实际演示课程,以帮助观众获得应用GNN解决具有挑战性的自然语言问题的实际经验,使用我们最近开发的开源库Graph4NLP,这是第一个供研究人员和实践者方便地使用gnn完成各种自然语言任务的库。

成为VIP会员查看完整内容
77

相关内容

【UAI2021教程】贝叶斯最优学习,65页ppt
专知会员服务
63+阅读 · 2021年8月7日
【SIGIR2021】自然语言处理图深度学习,230页ppt
专知会员服务
93+阅读 · 2021年7月23日
【NAACL2021】Graph4NLP:图深度学习自然语言处理,附239页ppt
专知会员服务
105+阅读 · 2021年6月12日
【NAACL2021】长序列自然语言处理, 250页ppt
专知会员服务
61+阅读 · 2021年6月7日
【AAAI2021】以事件为中心的自然语言理解,256页ppt
专知会员服务
72+阅读 · 2021年2月8日
专知会员服务
197+阅读 · 2020年3月6日
KDD2021 | 图表示学习系统教程 (附Slides)
机器学习与推荐算法
3+阅读 · 2021年9月7日
图表示学习在药物发现中的应用,48页ppt
专知
0+阅读 · 2021年4月30日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
35+阅读 · 2021年1月27日
Arxiv
27+阅读 · 2020年6月19日
Arxiv
99+阅读 · 2020年3月4日
A Comprehensive Survey on Graph Neural Networks
Arxiv
21+阅读 · 2019年1月3日
Arxiv
21+阅读 · 2018年8月30日
VIP会员
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
相关论文
Arxiv
0+阅读 · 2022年4月20日
Arxiv
35+阅读 · 2021年1月27日
Arxiv
27+阅读 · 2020年6月19日
Arxiv
99+阅读 · 2020年3月4日
A Comprehensive Survey on Graph Neural Networks
Arxiv
21+阅读 · 2019年1月3日
Arxiv
21+阅读 · 2018年8月30日
微信扫码咨询专知VIP会员