自然语言处理NLP文本分类顶会论文阅读笔记（二）

文本分类

Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity

• 损失函数的物理意义：预测值与标签值之间的差距（从这个意义上说，损失值应当大于等于0）（排除一些特殊的损失函数）

命名实体识别

LSTM-CRF

Multilingual Named Entity Recognition Using Pretrained Embeddings, Attention Mechanism and NCRF

• 非极大值抑制
  
  bounding box的选取顺序对结果会产生影响。

Boundary Smoothing for Named Entity Recognition

Bottom-Up Constituency Parsing and Nested Named Entity Recognition with Pointer Networks

[1] Ju M, Miwa M, Ananiadou S. A neural layered model for nested named entity recognition[C]//Procee

[2] Sohrab M G, Miwa M. Deep exhaustive model for nested named entity recognition[C]//Proceedings of

[4] Luo Y, Zhao H. Bipartite Flat-Graph Network for Nested Named Entity Recognition[J]. arXiv prepri

• BERT-Flow：
  

因为高词频的词和低频词的空间分布特性，导致了相似度计算时，相似度过高或过低的问题。
在句子级：如果两个句子都是由高频词组成，那么它们存在共现词时，相似度可能会很高，而如果都是由低频词组成时，得到的相似度则可能会相对较低；在单词级：假设两个词在语义上是等价的，但是它们的词频差异导致了它们空间上的距离偏差，这时词向量的距离就不能很好的表征语义相关度。

SimCSE: Simple Contrastive Learning of Sentence Embeddings

Learning Transferable Visual Models From Natural Language Supervision

FNet: Mixing Tokens with Fourier Transforms

How to Fine-Tune BERT for Text Classification?

Unified Structure Generation for Universal Information Extraction

• 

Previous
自然语言处理NLP文本分类顶会论文阅读笔记（一）