俄亥俄州立大学在IJCNLP-2017任务4：探索用于多语言客户反馈分析的神经架构
计算与语言
2017-11-02 v2
摘要
本文描述了我们用于IJCNLP 2017客户反馈分析共享任务的系统。我们尝试了简单的神经架构，其在某些任务上给出了有竞争力的性能。这包括以Facebook的Fasttext作为基线模型的浅层CNN和双向LSTM架构。我们使用Exact-Accuracy和Micro-Average-F1指标，在西班牙语（两者均为85.28%）和法语（分别为70%和73.17%）任务上，性能最佳的模型位列Top 5系统，并且在使用Micro Average F1 by Tags指标的法语任务中，在comment（87.28%）和meaningless（51.85%）标签上优于所有其他模型。
引用
@article{arxiv.1710.06931,
title = {OhioState at IJCNLP-2017 Task 4: Exploring Neural Architectures for Multilingual Customer Feedback Analysis},
author = {Dushyanta Dhyani},
journal= {arXiv preprint arXiv:1710.06931},
year = {2017}
}
备注
To appear in IJCNLP (Shared Task) 2017