今天分享：
（1）目前最好的用于文本摘要的RNN模型；
（2）讨论 softmax 与 sigmoid 之间的关系；
（3）利用 TensorFlow 进行文本分类的框架设计；
（4）多语言词向量的融合；
（5）基于路径信息的 LSTM 编码；
1.【博客】Taming Recurrent Neural Networks for Better Summarization
简介：
这是一篇关于我们最新论文 Get To The Point: Summarization with Pointer-Generator Networks 的一个简单介绍，该论文奖出现在 ACL 2017.
互联网时代已经将无数大量的信息带到了我们的身边，如果我们有很多的时间阅读它们，那么这将是一个很大的优势。但是我们并没有那么多的时间，所以经常会感到困惑。因此，自动文本摘要 - 将文本自动缩小为较短版本的任务正变得越来越重要。
本论文提出的模型优于目前的模型。
原文链接：http://www.abigailsee.com/2017/04/16/taming-rnns-for-better-summarization.html
2.【博客】Deriving the Softmax from First Principles
简介：
这个文章的最初目的是讨论 softmax 与 sigmoid 函数之间的关系。事实上，两者之间的关系很难去整理归纳。因此，这篇文章首先讨论了 sigmoid 是 softmax 的特殊情况，以及 Gibbs 分布，因子模型和概率图模型中的每一个基础。接下来，我们再讨论这个模型如何自然地扩展，以及定义，如 softmax 回归，条件随机字段，朴素贝叶斯和隐马尔可夫模型。
原文链接：http://willwolf.io/2017/04/19/deriving-the-softmax-from-first-principles/
3.【博客】Big Picture Machine Learning: Classifying Text with Neural Networks and TensorFlow
原文链接：
在这篇文章中，我们将学习如何设计一个机器学习模型去做文本分类任务，具体的步骤如下：
- How TensorFlow works
- What is a machine learning model
- What is a Neural Network
- How the Neural Network learns
- How to manipulate data and pass it to the Neural Network inputs
- How to run the model and get the prediction results
你会学习很多的新东西哦，一起来吧！
原文链接：https://medium.freecodecamp.com/big-picture-machine-learning-classifying-text-with-neural-networks-and-tensorflow-d94036ac2274
4.【代码】fastText_multilingual
简介：
fasttext 推出78种语言的混合词向量。
原文链接：https://github.com/Babylonpartners/fastText_multilingual
5.【代码】LexNET: Integrated Path-based and Distributional Method for Lexical Semantic Relation Classification
简介：
LexNET是用于术语对之间的语义关系进行分类的开源框架。它使用每个术语的分布信息，以及使用基于路径信息的LSTM编码。
原文链接：https://github.com/vered1986/LexNET