BiLSTM - 版本历史

2019年11月15日 (五) 00:01 江南仁

2019-11-15T00:01:08Z

2019年11月14日 (四) 23:48 江南仁

2019-11-14T23:48:01Z

2019年11月14日 (四) 22:02 江南仁

2019-11-14T22:02:03Z

223.192.192.166：创建页面，内容为“{{4}} '''情感分类任务''' 自然语言处理中情感分类任务是对给定文本进行情感倾向分类的任务，粗略来看可以认为其是分类任...”

2019-11-14T22:00:52Z

创建页面，内容为“{{4}} '''情感分类任务''' 自然语言处理中情感分类任务是对给定文本进行情感倾向分类的任务，粗略来看可以认为其是分类任...”

新页面

{{4}}
'''情感分类任务'''

自然语言处理中情感分类任务是对给定文本进行情感倾向分类的任务，粗略来看可以认为其是分类任务中的一类。对于情感分类任务，目前通常的做法是先对词或者短语进行表示，再通过某种组合方式把句子中词的表示组合成句子的表示。最后，利用句子的表示对句子进行情感分类。

举一个对句子进行褒贬二分类的例子。

句子：我爱赛尔

情感标签：褒义

'''什么是[[LSTM]]和[[BiLSTM]]？'''

LSTM的全称是Long Short-Term Memory，它是[[RNN]]（Recurrent Neural Network）的一种。LSTM由于其设计的特点，非常适合用于对时序数据的建模，如文本数据。BiLSTM是Bi-directional Long Short-Term Memory的缩写，是由前向LSTM与后向LSTM组合而成。两者在自然语言处理任务中都常被用来建模上下文信息。

'''为什么使用[[LSTM]]与[[BiLSTM]]？'''

将词的表示组合成句子的表示，可以采用相加的方法，即将所有词的表示进行加和，或者取平均等方法，但是这些方法没有考虑到词语在句子中前后顺序。如句子“我不觉得他好”。“不”字是对后面“好”的否定，即该句子的情感极性是贬义。使用LSTM模型可以更好的捕捉到较长距离的依赖关系。因为LSTM通过训练过程可以学到记忆哪些信息和遗忘哪些信息。

但是利用LSTM对句子进行建模还存在一个问题：无法编码从后到前的信息。在更细粒度的分类时，如对于强程度的褒义、弱程度的褒义、中性、弱程度的贬义、强程度的贬义的五分类任务需要注意情感词、程度词、否定词之间的交互。举一个例子，“这个餐厅脏得不行，没有隔壁好”，这里的“不行”是对“脏”的程度的一种修饰，通过BiLSTM可以更好的捕捉双向的语义依赖。
----
#[https://www.jiqizhixin.com/articles/2018-10-24-13 BiLSTM介绍及代码实现]

@@ 第25行： / 第25行： @@
 #[https://zhuanlan.zhihu.com/p/44042528 最通俗易懂的BiLSTM-CRF模型中的CRF层介绍]
 #[https://www.jianshu.com/p/9b3b2696ed63 深度学习--biLSTM_CRF 命名实体识别]
-#[https://www.jianshu.com/p/9b3b2696ed63 Bi-LSTM的理解以及 Tensorflow实现 - 程序员大本营]
+#[http://www.pianshen.com/article/993927973/ Bi-LSTM的理解以及 Tensorflow实现 - 程序员大本营]

←上一版本		2019年11月14日 (四) 23:48的版本
第21行：		第21行：
	----		----
	来源：[https://www.jiqizhixin.com/articles/2018-10-24-13 BiLSTM介绍及代码实现]		来源：[https://www.jiqizhixin.com/articles/2018-10-24-13 BiLSTM介绍及代码实现]
		+
		+	参考：
		+	#[https://zhuanlan.zhihu.com/p/44042528 最通俗易懂的BiLSTM-CRF模型中的CRF层介绍]
		+	#[https://www.jianshu.com/p/9b3b2696ed63 深度学习--biLSTM_CRF 命名实体识别]
		+	#[https://www.jianshu.com/p/9b3b2696ed63 Bi-LSTM的理解以及 Tensorflow实现 - 程序员大本营]

@@ 第20行： / 第20行： @@
 但是利用LSTM对句子进行建模还存在一个问题：无法编码从后到前的信息。在更细粒度的分类时，如对于强程度的褒义、弱程度的褒义、中性、弱程度的贬义、强程度的贬义的五分类任务需要注意情感词、程度词、否定词之间的交互。举一个例子，“这个餐厅脏得不行，没有隔壁好”，这里的“不行”是对“脏”的程度的一种修饰，通过BiLSTM可以更好的捕捉双向的语义依赖。
 ----
-#[https://www.jiqizhixin.com/articles/2018-10-24-13 BiLSTM介绍及代码实现]
+来源：[https://www.jiqizhixin.com/articles/2018-10-24-13 BiLSTM介绍及代码实现]