[PYTORCH]用于文档分类的分层注意网络 介绍 下面是我的文件分层关注网络的文档分类描述的模型的pytorch实现。 Dbpedia数据集模型输出结果的应用程序演示示例。 我的模型对Dbpedia数据集的性能示例。 如何使用我的代码 使用我的代码，您可以： 使用任何数据集训练模型 给定我训练有素的模型或您的模型，您可以评估具有相同类集的任何测试数据集 运行一个简单的Web应用进行测试 要求： python 3.6 火炬0.4 张量板 tensorboardX （如果不使用SummaryWriter，则可以跳过此库） 麻木 数据集： 我用于实验的数据集的统计信息。 这些数

文件为Yoav Goldberg-Neural Network Methods in Natural Language Processing-Morgan & Claypool (2017).pdf

text_gcn 本文中Text GCN的实现： 梁耀，毛成胜，罗源。 “图卷积网络用于文本分类。” 在第33届AAAI人工智能会议（AAAI-19）中 要求 Python 2.7或3.6 Tensorflow> = 1.4.0 再现结果 运行python remove_words.py 20ng 运行python build_graph.py 20ng 运行python train.py 20ng 在为其他数据集生成结果时，将上述3个命令行中的20ng更改为R8 ， R52 ， ohsumed和mr 。 输入数据示例 /data/20ng.txt表示文档名称，培训/测试组，文档标签。 每行都是一个文档。 /data/corpus/20ng.txt包含每个文档的原始文本，每行对应/data/20ng.txt的相应行 prepare_data.py是准备自己的数据的示例，请注意，文档或句子中的“ \ n”已删除。 归纳版 文本GCN的归纳版本是 ，其中培训过程中未包括测试文档。

抽象总结：局部注意在编码器-解码器体系结构中使用LSTM实现抽象总结

Hands－On_Natural_Language_Processing_with_Python 2018 a lot of examples

DeepSegment：一个有效的句子分割器！ DeepSegment可作为免费使用的API（ ）以及通过的可自我托管的服务提供 注意：对于原始实现，请使用此存储库的“ master”分支。 代码文档位于 安装： # Tested with (keras==2.3.1; tensorflow==2.2.0) and (keras==2.2.4; tensorflow==1.14.0) pip install --upgrade deepsegment 支持的语言： zh-英文（已接受各种来源的资料训练） fr-法语（仅Tatoeba数据） 它-意大利语（仅Tatoeba数据） 用

密码 CipherGAN的实现，用于获得详细介绍的结果。 作者：（ ，， ，（ ，（ ， 引用这项工作 @inproceedings{ n.2018unsupervised, title={Unsupervised Cipher Cracking Using Discrete {GAN}s}, author={Aidan N. Gomez and Sicong Huang and Ivan Zhang and Bryan M. Li and Muhammad Osama and Lukasz Kaiser}, booktitle={Internatio

PredRNN 包含PyTorch的纸张实现- PredRNN：使用时空LSTM进行预测性学习的递归神经网络 数据集 移动MNIST数据集可在下载 建筑

公斤基线火炬 2019百度的关系撤回比赛，Pytorch版苏神的基线，联合关系撤回。 模型 与苏神的模型相同，只不过开发框架由Keras + Tensorflow变成了Pytorch，给使用Pytorch的小伙伴分享。 苏神Keras版链接： : 代码中包含了许多苏神的代码，因此首先对苏神表示感谢！ 以下为苏神模型介绍 用BiLSTM做联合标注，先预测subject，然后根据suject同时预测object和predicate，标注结构是“半指针-半标注”结构，以前也曾介绍过（ https://kexue.fm/archives/5409 ） 标注结构是自己设计的，我看了很多关系抽取的论文

包含15年Natural Language Processing and Chinese Computing所有论文