基于递归神经网络的隐式篇章关系分析

小组成员

• 许志凤
• 耿瑞莹
• 姜林

问题描述

1、 问题背景分析

篇章关系是自然语言处理中面临的瓶颈问题，正确识别篇章关系对于机器翻译、文本分类等任务具有重大意义，目前显式篇章关系识别已经取得了很好的效果，而传统的基于特征工程的方法在隐式篇章关系识别中效果并不理想。本课题希望建立递归神经网络来表示句子的深层语义，融入句子的结构信息，进而对隐式篇章关系进行分类。递归神经网络是当前比较前沿的机器学习模型，模型结构也比其他同类深度神经网络复杂。

2、 问题描述

（1） 选择数据集：使用附有篇章结构和篇章语义的大型语料库Penn Discourse Treebank 2.0。 （2） 词向量表示：使用embedding layer和Bi-LSTM表示词之间的相似性，并消除词语歧义问题。 （3） 通过树状神经网络获取句法结构并对其组合、分类：模仿Shift-Reduce解析器过程，设置一个堆栈和一个缓冲区，最后将输出传给多层感知机。 （4） 使用数据集训练模型，预测英语中的隐含篇章关系。

目标

经过以上实验证明树状神经网络可以很好地表示篇章语义，并可以被用来预测篇章关系。

项目分工

• 许志凤：负责数据的采集和清洗
• 耿瑞莹：负责训练模型
• 姜林：负责撰写报告