Участник:Vlyalin
Материал из MachineLearning.
(→Отчеты о научно-исследовательской работе) |
(→Классификация зашумлённого текста) |
||
| Строка 19: | Строка 19: | ||
В работе были исследованы методы нейросетевой классификации текста, устойчивые к шуму (опечаткам). На корпусах IMDB и Russian Twitter Sentiment Analysis Dataset были сравнены следующие методы: | В работе были исследованы методы нейросетевой классификации текста, устойчивые к шуму (опечаткам). На корпусах IMDB и Russian Twitter Sentiment Analysis Dataset были сравнены следующие методы: | ||
| + | |||
* FastText-embedding + GRU | * FastText-embedding + GRU | ||
* Character-level CNN | * Character-level CNN | ||
Версия 12:38, 22 мая 2018
Лялин Владислав Андреевич
МФТИ, ФУПМ
Кафедра Интеллектуальные системы Направление Интеллектуальный анализ данных
Mailto lyalin@phystech.edu
Содержание |
Отчеты о научно-исследовательской работе
Осень 2017, 9 семестр
Генерация текста с введением контролируемых категориальных признаков
В работе рассматривается возможность контролируемой генерации текста с заданными параметрами. На данном этапе работы исследуется применение вариационного автокодировщика (VAE) к текстовой информации. Вариационный автокодировщик может рассматриваться как метод байесовской регуляризации с введением ограничений на латентное пространство нейронной сети (на выходе из кодировщика). С помощью введения дополнительных дискретных размерностей в латентное пространство и частичного обучения можно получить возможность управлять грамматическим временем (grammar tense) и сентиментом предложения (Zhiting Hu et. al., 2017). В работе планируется экспериментальное исследование возможности управления другими признаками и другие возможные расширения данной модели.
Веста 2018, 10 семестр
Классификация зашумлённого текста
В работе были исследованы методы нейросетевой классификации текста, устойчивые к шуму (опечаткам). На корпусах IMDB и Russian Twitter Sentiment Analysis Dataset были сравнены следующие методы:
* FastText-embedding + GRU * Character-level CNN * Иерархическая модель CharCNN-WordRNN, аналогичная модели в Character-Aware Neural Language Models (Yoon Kim et. al, 2015) * CharCNN-WordRNN с механизмом внимания (attention)
По результатам работы была написана статья "What Did You Say? On Classification of Noisy Texts", Valentin Malykh and Vladislav Lyalin и подана на ревью на конференцию RCAI2018.
