papernote

sistema de recomendación

• 2018.07 Modelo de incrustación profunda de contenido-usuario para recomendación musical [arxiv] [nota]
• 2017.08 Red profunda y cruzada para predicciones de clics en anuncios [arxiv] [nota]
• 2017.03 DeepFM: una red neuronal basada en una máquina de factorización para la predicción del CTR [arxiv] [nota]
• 2016.09 Redes neuronales profundas para recomendaciones de YouTube [investigación] [nota]
• 2016.06 Aprendizaje amplio y profundo para sistemas de recomendación [arxiv] [nota]
• 2010.12 Máquinas de factorización [ieee] [nota]
• 1998.08 Comentarios implícitos para sistemas de recomendación [aaai] [nota]

Control de calidad y generación de texto

Control de calidad: basado en recuperación (tabla de clasificación):

• 2018.12 El diseño y la implementación de XiaoIce, un chatbot social empático [arxiv] [nota]
• 2018.06 Modelado de conversaciones de varios turnos con agregación de expresiones profundas [arxiv] [nota]
• 2017.11 Una encuesta sobre sistemas de diálogo: avances recientes y nuevas fronteras [arxiv] [nota]
• 2017.05 IRGAN [arxiv] [nota]
• 2017.02 Coincidencia bilateral de múltiples perspectivas para oraciones en lenguaje natural [arxiv] [nota]
• 2016.12 Una nueva arquitectura para la selección de respuestas de múltiples turnos en chatbots basados ​​en recuperación [arxiv] [nota]
• 2016.11 Un modelo de comparación agregado para hacer coincidir secuencias de texto [arxiv] [nota]
• 2016.10 Estimación contrastiva de ruido para la selección de respuestas con redes neuronales profundas [semanticscholar] [nota]
• 2016.02 Redes de agrupación atentas [arxiv] [nota]
• 2015.11 Modelos de aprendizaje profundo basados ​​en LSTM para selección de respuestas no factoides [arxiv] [nota]

chatbot: basado en generación:

• 2018.04 Chatear más: profundizar y ampliar el tema del chat a través de un modelo profundo [documento] [nota]
• 2018.01 De Eliza a XiaoIce: desafíos y oportunidades con los chatbots sociales [arxiv] [traducción]
• 2017.11 Generación de respuesta neuronal con vocabularios dinámicos [arxiv] [nota]
• 2017.11 MOJITALK: Generando respuestas emocionales [arxiv] [nota]
• 2017.07 AliMe Chat: un motor de chatbot basado en secuencia para secuenciar y reclasificar [aclweb] [nota]
• 2017.04 Generación de conversaciones emocionales con memoria interna y externa [arxiv] [nota]
• 2017.03 Aprendizaje de la diversidad a nivel de discurso para modelos de diálogo neuronal utilizando CVAE [arxiv] [nota]
• 2017.02 Un modelo de conversación neuronal basado en el conocimiento [arxiv] [nota]
• 2017.01 Generación de respuestas largas y diversas con modelos de conversación neuronal [arxiv] [nota]
• 2016.07 Secuencia hacia atrás y hacia adelante [arxiv] [nota]
• 2016.06 Generación de respuesta neuronal consciente del tema [arxiv] [nota]
• 2016.06 Aprendizaje por refuerzo profundo para la generación de diálogo [arxiv] [nota]
• 2015.03 Máquina de respuesta neuronal para conversaciones de texto breve [arxiv] [nota]

generación de texto

• 2018.06 Generación de tema a ensayo con redes neuronales [artículo] [nota]
• 2016.10 Generación de poesía china con red neuronal basada en planificación [arxiv] [nota]
• 2016.03 Incorporación del mecanismo de copia en el aprendizaje secuencia a secuencia [arxiv] [nota]

clasificación

• 2019.05 ¿Cómo ajustar BERT para la clasificación de texto? [arxiv] [nota]
• 2018.06 SGM: Modelo de generación de secuencia para clasificación de etiquetas múltiples [arxiv] [nota]
• 2018.04 ETH-DS3Lab en SemEval-2018 Tarea 7: ... Clasificación y extracción de relaciones [arxiv] [nota]
• 2017.08 Uso de millones de apariciones de emoji para aprender representaciones de cualquier dominio para... [aclweb] [nota]
• 2016.xx LSTM basado en atención para clasificación de sentimiento a nivel de aspecto [aclweb] [nota]
• 2016.07 Bolsa de trucos para una clasificación de texto eficiente (fasttext) [arxiv] [nota]
• 2016.06 Redes de atención jerárquica para clasificación de documentos [aclweb] [nota]
• 2016.03 Clasificación secuencial de texto corto con redes neuronales recurrentes y convolucionales [arxiv] [nota]
• 2015.07 Clasificación de relaciones mediante clasificación con redes neuronales convolucionales [aclweb] [nota]
• 2014.08 Redes neuronales convolucionales para clasificación de oraciones [aclweb] [nota]
• 2012.07 Líneas de base y bigramas: clasificación de temas y sentimientos simples y buenos [aclweb] [nota]

incrustar

incrustación de palabras:

• 2018.12 Sobre la dimensionalidad de la incrustación de palabras [arxiv] [nota]
• 2018.09 Descubriendo información lingüística divergente en incrustaciones de palabras... [arxiv] [nota]
• 2018.02 Representaciones de palabras contextualizadas profundas (ELMo) [arxiv] [nota]
• 2017.12 Avances en representaciones de palabras distribuidas previas al entrenamiento [arxiv] [nota]
• 2017.07 Un enfoque simple para aprender incrustaciones de palabras polisémicas [arxiv] [nota]
• 2017.07 Imitación de incrustaciones de Word utilizando RNN de subpalabras [arxiv] [nota]
• 2016.07 Enriquecimiento de vectores de palabras con información de subpalabras [arxiv] [nota]
• 2013.01 Regularidades lingüísticas en representaciones de palabras en espacio continuo [aclweb] [nota]

incrustación de oraciones:

• 2018.09 Modelado de secuencias semisupervisadas con entrenamiento Cross-View [arxiv] [nota]
• 2018.05 Baseline necesita más atención: sobre modelos simples basados ​​en incrustación de palabras y... [arxiv] [nota]
• 2018.04 Aprendizaje de similitud textual semántica a partir de conversaciones [arxiv] [nota]
• 2018.03 Un marco eficiente para aprender representaciones de oraciones [arxiv] [nota]
• 2017.05 Aprendizaje supervisado de representaciones de oraciones universales a partir de datos NLI [arxiv] [nota]
• 2016.11 Una línea de base simple pero difícil de superar para incrustaciones de oraciones [openreview] [nota]
• 2016.05 Aprendizaje de inferencia del lenguaje natural utilizando el modelo LSTM bidireccional y atención interna [arxiv] [nota]
• 2016.02 Aprendizaje de representaciones distribuidas de oraciones a partir de datos sin etiquetar [arxiv] [nota]
• 2015.12 Aprendizaje de similitud semántica para textos muy cortos [arxiv] [nota]
• 2015.11 Orden: incrustaciones de imágenes y lenguaje [arxiv] [nota]
• 2014.05 Representaciones distribuidas de oraciones y documentos [arxiv] [nota]

incrustación de usuario:

• 2017.05 Cuantificación de la salud mental a partir de las redes sociales con incrustaciones de usuarios neuronales [arxiv] [nota]

regularización y normalización

• 2018.08 La deserción es un caso especial de la regla delta estocástica: aprendizaje profundo más rápido y preciso [arxiv] [nota]
• 2018.05 ¿Cómo ayuda la normalización por lotes a la optimización? (No, no se trata de un cambio de covariable interno) [arxiv] [nota]
• 2017.02 Renormalización por lotes [arxiv] [nota]
• 2016.07 Normalización de capas [arxiv] [nota]
• 2016.05 Métodos de entrenamiento contradictorio para la clasificación de textos semisupervisados ​​[arxiv] [nota]
• 2016.03 Normalización de lotes recurrentes [arxiv] [nota]
• 2016.02 Normalización de peso [arxiv] [nota]
• 2015.10 Redes neuronales recurrentes normalizadas por lotes [arxiv] [nota]
• 2015.07 Suavizado distributivo con entrenamiento de confrontación virtual [arxiv] [nota]
• 2015.02 Normalización por lotes [arxiv] [nota]
• 2014.12 Explicación y aprovechamiento de ejemplos contradictorios [arxiv] [nota]
• 2013.06 Regularización de redes neuronales mediante DropConnect [artículo] [nota]
• 2009.06 Aprendizaje curricular [collobert] [nota]

red neuronal

• 2019.01 ¿Es hora de hacer buches? Comparación de funciones de activación de aprendizaje profundo entre tareas de PNL [arxiv] [nota]
• 2018.03 Abandono escolar objetivo [revisión abierta] [nota]
• 2017.11 Modelos de lenguaje atento [aclweb] [nota]
• 2017.04 Modelos de lenguaje de redes neuronales recurrentes de memoria a largo plazo bidireccional contextual [aclweb] [nota]
• 2017.04 Aprender a generar reseñas y descubrir sentimientos [arxiv] [nota]
• 2017.04 Explorando la dispersión en redes neuronales recurrentes [arxiv] [nota]
• 2017.02 Las redes profundas no aprenden mediante la memorización [revisión abierta] [nota]
• 2017.01 Modelado de lenguaje de contexto de diálogo con redes neuronales recurrentes [arxiv] [nota]
• 2016.11 Vinculación de vectores de palabras y clasificadores de palabras: un marco de pérdida para el modelado del lenguaje [arxiv] [nota]
• 2016.11 Comprender el aprendizaje profundo requiere repensar la generalización [arxiv] [nota]
• 2016.09 Descripción general de los algoritmos de optimización del descenso de gradiente [arxiv] [nota]
• 2016.09 Modelos de mezcla Pointer Sentinel [arxiv] [nota]
• 2016.08 Uso de la incrustación de resultados para mejorar los modelos de lenguaje [arxiv] [nota]
• 2016.03 Abandono recurrente sin pérdida de memoria [arxiv] [nota]
• 2015.11 Agregar ruido degradado mejora el aprendizaje para redes muy profundas [arxiv] [nota]
• 2015.11 Aprendizaje secuencial semisupervisado [arxiv] [nota]
• 2015.06 Visualización y comprensión de redes recurrentes [arxiv] [nota]
• 2015.xx Cálculo sobre gráficos computacionales: retropropagación [github] [nota]
• 2014.12 Evaluación empírica de redes neuronales recurrentes cerradas en modelado de secuencias [arxiv] [nota]
• 2014.09 Regularización de redes neuronales recurrentes [arxiv] [nota]
• 2013.12 Cómo construir redes neuronales recurrentes profundas [arxiv] [nota]
• 2010.xx Comprender la dificultad de entrenar redes neuronales profundas [imag] [nota]
• 2010.xx Codificadores automáticos con eliminación de ruido apilados [documento] [nota]
• 2008.07 Una arquitectura unificada para el procesamiento del lenguaje natural [collobert] [nota]

transformador

• 2019.09 ALBERT: Un BERT ligero para el aprendizaje autosupervisado de representaciones lingüísticas [arxiv] [nota]
• 2019.07 RoBERTa: un enfoque de preentrenamiento BERT sólidamente optimizado [arxiv] [nota]
• 2019.04 ERNIE: Representación mejorada a través de la integración del conocimiento [arxiv] [nota]
• 2018.10 BERT: Entrenamiento previo de transformadores bidireccionales profundos para la comprensión del lenguaje [arxiv] [nota]
• 2018.06 Mejora de la comprensión del lenguaje mediante capacitación previa generativa [amazonaws] [nota]
• 2018.03 Codificador universal de oraciones [arxiv] [nota]
• 2017.06 Todo lo que necesitas es atención [arxiv] [nota]

secuencia a secuencia

• 2018.07 Aumento de datos de secuencia a secuencia para la comprensión del lenguaje de diálogo [arxiv] [traducción]
• 2018.07 Fluency Boost, aprendizaje e inferencia para la corrección de errores gramaticales neuronales [aclweb] [nota]
• 2017.04 Vaya al grano: resumen con redes generadoras de punteros [arxiv] [nota]
• 2017.04 Aprendiendo a leer texto [arxiv] [nota]
• 2015.06 Redes de punteros [arxiv] [nota]
• 2015.06 Vectores de omisión de pensamiento [arxiv] [nota]
• 2014.12 Gramática como lengua extranjera [arxiv] [nota]
• 2014.12 Sobre el uso de un vocabulario objetivo muy amplio para la traducción automática neuronal [arxiv] [nota]
• 2014.09 Traducción automática neuronal por Jontly Learning to Align and Translate [arxiv] [nota]
• 2014.09 Aprendizaje secuencia a secuencial con redes neuronales [arxiv] [nota]

multitarea

• 2019.01 Redes neuronales profundas multitarea para la comprensión del lenguaje natural [arxiv] [nota]
• 2018.08 Modelado de relaciones entre tareas en el aprendizaje multitarea con una combinación de expertos de puertas múltiples [acm] [nota]
• 2016.12 Superar el olvido catastrófico en redes neuronales [arxiv] [nota]

reconocimiento de nombre de entidad

• 2018.05 NER chino usando Lattice LSTM [arxiv] [nota]
• 2018.03 Clasificación de tipos de entidades neuronales detalladas con pérdida consciente de la jerarquía [arxiv] [nota]
• 2017.04 Aprendizaje multitarea semisupervisado para etiquetado de secuencias [arxiv] [nota]
• 2016.03 Arquitecturas neuronales para el reconocimiento de entidades nombradas [arxiv] [nota]
• 2016.xx Arquitecturas neuronales para clasificación detallada de tipos de entidades [aclweb] [nota]

aprendizaje auto supervisado

• 2020.02 Un marco simple para el aprendizaje contrastivo de representaciones visuales [arxiv] [nota]

otros

• 2017.06 Un módulo de red neuronal simple para razonamiento relacional [arxiv] [nota]
• 2016.11 Palabra o caracteres, selección detallada para comprensión lectora [arxiv] [nota]
• 2016.08 Traducción automática neuronal de palabras raras con unidades de subpalabras (BPE) [aclweb] [nota]
• 2005.08 Personalización de la búsqueda mediante análisis automatizado de intereses y actividades [microsoft] [nota]