文献

J-GLOBAL ID：201702240035317246   整理番号：17A0329651

SLDP:長い短期記憶を用いたシーケンス学習依存性構文解析モデル【Powered by NICT】

SLDP: Sequence learning dependency parsing model using long short-term memory

著者 (3件)： Zhou Qing-Yu (School of Computer Science and Technology, Harbin Institute of Technology, Harbin, 150001, China) ,  Zheng De-Quan (School of Computer Science and Technology, Harbin Institute of Technology, Harbin, 150001, China) ,  Zhao Tie-Jun (School of Computer Science and Technology, Harbin Institute of Technology, Harbin, 150001, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： ICMLC  ページ： 111-116  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ニューラルネットワークモデルに関する最近の研究は,係り受け解析の成功を示した。本論文では,シフト還元パーザのための長い短期記憶を用いた配列学習依存性構文解析(SLDP)モデルを提案した。フィードフォワードニューラルネットワークを用いて,豊富な局所特徴から欲張りモデルを構築することである。局所モデルにより抽出された特徴を用いて,著者らは,さらに,全体的構文解析配列用に最適化した長い短期記憶(LSTM)モデルを訓練した。著者らのモデルは,学習能力だけでなく原子特徴組合せ自動的にも依存性パージングのための長距離依存情報を持っている。英語Penn Treebank上の実験は筆者らのSLDPモデルは,ベースラインの性能を著しく上回る事を示し,90.7%非標識付着スコアと89.0%標識付着スコアを達成した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 基準線 ,  *構文分析 ,  付着 ,  英語 ,  標識法 ,  最適化 ,  *学習
準シソーラス用語： スコア ,  学習能力 ,  局所特徴 ,  フィードフォワードニューラルネットワーク ,  パーザ ,  係り受け解析 ,  神経回路網モデル ,  *短期記憶 , 【Automatic Indexing@JST】

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 短期記憶 ,  シーケンス ,  学習 ,  依存性 ,  構文解析 ,  モデル