HyperAIHyperAI
il y a 2 mois

Architectures de réseaux neuronaux convolutifs pour l'appariement de phrases en langage naturel

Baotian Hu; Zhengdong Lu; Hang Li; Qingcai Chen
Architectures de réseaux neuronaux convolutifs pour l'appariement de phrases en langage naturel
Résumé

L'alignement sémantique est d'une importance centrale pour de nombreuses tâches en langage naturel \cite{bordes2014semantic,RetrievalQA}. Un algorithme d'alignement réussi doit modéliser adéquatement les structures internes des objets linguistiques et leur interaction. Dans cette perspective, nous proposons des modèles de réseaux neuronaux convolutifs pour l'alignement de deux phrases, en adaptant la stratégie de convolution utilisée dans le domaine de la vision et de la parole. Les modèles proposés non seulement représentent efficacement les structures hiérarchiques des phrases grâce à leur composition couche par couche et à leurs opérations de regroupement (pooling), mais ils capturent également les motifs d'alignement riches et variés à différents niveaux. Nos modèles sont assez génériques et ne nécessitent aucune connaissance préalable du langage, ce qui permet de les appliquer à des tâches d'alignement de nature différente et dans différentes langues. L'étude empirique menée sur une variété de tâches d'alignement démontre l'efficacité du modèle proposé sur ces différentes tâches ainsi que sa supériorité par rapport aux modèles concurrents.

Architectures de réseaux neuronaux convolutifs pour l'appariement de phrases en langage naturel | Articles de recherche récents | HyperAI