一种用于多任务学习文本分类的广义循环神经网络架构
计算与语言
2017-07-11 v1
摘要
多任务学习利用相关任务之间的潜在相关性来提取共同特征并产生性能提升。然而，大多数先前工作仅考虑简单或弱交互，从而未能建模三个或更多任务之间的复杂相关性。在本文中，我们提出一种具有四种循环神经网络层的多任务学习架构，以融合多个相关任务之间的信息。该架构在结构上灵活并考虑了任务之间的各种交互，可被视为许多先前工作的推广情况。在五个文本分类基准数据集上的大量实验表明，我们的模型可以利用来自其他任务的附加信息显著改善相关任务的性能。
引用
@article{arxiv.1707.02892,
title = {A Generalized Recurrent Neural Architecture for Text Classification with Multi-Task Learning},
author = {Honglun Zhang and Liqiang Xiao and Yongkun Wang and Yaohui Jin},
journal= {arXiv preprint arXiv:1707.02892},
year = {2017}
}