IntroductionThis paper proposes a method for refining vector space representations using relational information from semantic lexicons by encouraging linked words to have similar vector representation
ACL2016Representation Learning Context-Dependent Sense Embedding Jointly Embedding Knowledge Graphs and Logical Rules Learning Connective-based Word Representations for Implicit Discourse Relation Ide
ACL2016Representation Learning Learning the Curriculum with Bayesian Optimization for Task-Specific Word Representation Learning Pointing the Unknown Words 这篇论文是用已有的信息来预测未登录词。可以一看 Literal and Metaph
名词解释antonymy:反义关系synonymy:同义关系DST:dialogue state tracking task aimimprove the vectors’ capability for judging semantic similarity result lead to a new state of the art performance on the SimLex-999 da
Abstract本文主要目的是为了产生linguistically coherent representations，其中使用了sentiment lexicons, negation words, 和intensity words。 Introduction让计算机能够理解情感一直是AI的核心任务，有许多方法来实现，比如lexicon-based classification以及早期的machi
Introduction这篇论文主要是要解决英文短语的词向量表示问题，英语的词向量可以分成两种，一种是compositional，另一种是non-compositional。前者的短语语义就是组成单词的叠加，而后者则会产生完全不同的意思。本文引入了一个score function来度量一个短语的compositional的程度。 完全依赖non-compositional embedding会产生
Abstract这是一片发表在ACL2016上的短文，看名字就知道是关于如何自动化构建情感词表的文章。使用了一个神经网络的方法，并且不使用任何人工标注的资源。这个方法的灵感来自于NRC方法，NRC方法在SemEval13中利用了大量推特中的emoticons来获得了最好的结果，这个文章中的方法使用了词和推特情感的互信息来定义词的情感属性。 Introduction在所有的自动化方法中，Mohamm
Abstract无监督学习的词向量的评价通常与下游应用没有很大的关联，本文将提出QVEC的评价方法。 Introduction缺乏标准化的对比方式是因为词向量的每个维度依然是无法解释的，如何去给一个无法解释的表示打分依然是不明确的。 本文通过将distribution word vector和人工标注的word vector对其，然后计算每一维的相关度，相加之后就得到了distribution w
Abstract语义词空间很有用，但是没有办法表达长词组的意思。提出了Recursive Neural Tensor Network，这个模型可以捕捉到否定词的影响。 Introduction现有的模型难以学习组合词语，这是由于缺乏标注好的组合词词库。Stanford Sentiment Treebank是第一个在语法树上带标注的语料库。 Related Work涉及到了五个方面的工作 Sema