SESA：有监显式语义分析
计算与语言
2017-08-11 v1 人工智能
摘要
近年来，有监督表征学习在包括排序和信息检索在内的语义分析任务中提供了最先进或接近最先进的结果。核心思想是学习如何将项目嵌入潜在空间，使它们在该潜在空间中优化有监督目标。潜在空间的维度没有清晰的语义，这降低了系统的可解释性。例如，在个性化模型中，很难解释为什么特定项目对于给定用户档案排名靠前。我们提出了一种新的表征学习模型，称为有监显式语义分析（SESA），它以有监督方式训练，将项目嵌入到一组具有显式语义的维度中。该模型通过在这种显式空间中表示两个对象来学习比较它们，其中每个维度对应知识库中的一个概念。这项工作通过针对排序问题的有监督模型扩展了显式语义分析（ESA）。我们将该模型应用于 LinkedIn 中的职位-档案相关性任务，其中一组技能定义了我们空间的显式维度。每个档案和职位都被编码为这组技能，它们的相似度在此空间中计算。我们使用 RNN 将文本输入嵌入此空间。除了可解释性外，我们的模型还利用了用户为每个 LinkedIn 档案提供的网络规模协作技能数据。我们的模型在保持可解释性的同时提供了最先进的结果。
引用
@article{arxiv.1708.03246,
title = {SESA: Supervised Explicit Semantic Analysis},
author = {Dasha Bogdanova and Majid Yazdani},
journal= {arXiv preprint arXiv:1708.03246},
year = {2017}
}