论文泛读76将来自bert的提取信息和多种嵌入方法与深度神经网络集成在一起，以进行幽默检测

Posted 2021-06-06 及时行樂_

贴一下汇总贴：论文阅读记录

论文链接：《Integrating extracted information from bert and multiple embedding methods with the deep neural network for humour detection》

一、摘要

在过去的几年中，从句子中进行幽默检测一直是一项有趣且具有挑战性的任务。为了强调幽默检测，大多数研究都是使用传统的嵌入方法进行的，例如Word2Vec或Glove。最近，BERT句子嵌入也已用于此任务。在本文中，我们提出了一个从新闻头条摘录的短文本中用于幽默检测的框架。我们提出的框架（IBEN）试图通过使用BERT的不同层从书面文本中提取信息。经过几次试验，将权重分配给BERT模型的不同层。然后将提取的信息作为嵌入矩阵发送到Bi-GRU神经网络。我们利用了一些外部嵌入模型的属性。我们的神经网络中的多核卷积也被用来提取更高级别的句子表示。这个框架在幽默检测的任务上表现很好。

二、结论

在这篇文章中，我们提出了一个框架(IBEN)来检测书面句子的滑稽程度。在我们的架构中，我们使用了深度学习技术的组合，如多核卷积、双向GRU和BERT。BERT和外部嵌入与双GRU和美国有线电视新闻网模型的结合提供了对句子的深刻理解。结果显示了我们框架的性能。我们的统一框架的主要贡献是有效地学习上下文信息，这反过来提高了幽默检测性能。尽管我们获得了有竞争力的结果，但我们的方法仍有很大的改进空间。在未来，我们有一个计划来关注特定的幽默形式，如不协调、讽刺、讽刺、双关语和优越感。这可能有助于更好地理解不同的建模策略如何识别幽默的不同根源。

三、model

利用BERT层进行单词嵌入，嵌入矩阵然后被输入到我们的神经网络的嵌入层，多核卷积滤波器用于从附加嵌入中移除更高级的特征序列。在收到这些模块的预测后，结果被混合并用于确定有趣的程度。

• Bert特征提取

• Embedding

• Bi-GRU
  

• Multi-Kernel Convolution （多核卷积）

• Humour Prediction and Model Training （幽默预测与模型训练）
  损失函数：$$mse=\sum _{i=1}^n|y_i-{\hat{y}}_i|$$

PS:一些后话

之前复现过一个中文幽默的小项目，如果后面对这个方向感兴趣，可以与这个结合试试~