Introduction本文提出的一个active sentiment domain adaptation方法来解决negative transfer的问题。利用的是general sentiment information和少量的从target domain中的actively selected labeled samples。general sentiment information是从sen
clustering words for intensity ordering首先需要从Google N-gram中抽取形容词的程度顺序信息。使用的方法是基于模版匹配的方法。比如从good but not great我们可以总结出一个规则xx but not xx，然后可以发现后者比前者的程度深。然后使用mixed integer linear programming (MILP)来进行最优化排序
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本文主要是想检测老年痴呆症，因为语义的缺失是一大症状。获得了96.8%的召回率。通过训练随机森林的分类器获得了0.74的F值（二元分类）。并且仅用了12个特征。 IntroductionAD在病情发展的过程中会出现语言的转变，并且这是可以检测得到的。这些变化包括句法复杂度的下降、找词困难和语义内容缺失，信息密度低（有语义的词在所有词中的比例），效率低。 结合上lexicosynta