7月3日-9日_周报

标签：word   coding   方案   博士   随机   word2vec   测试   odi   情感分类   

一、情感分类方面

为了提高CNN情感分类的准确率，对CNN模型的输入层进行改进，加入word2vec。

各个方案基于这样的前提：

a. 经过上个星期调试，当KERNEL_NUM=200, KERNEL_SIZES=[3, 4, 5, 6, 7] 时准确率最高，所以下面所有改进都是基于此结论的基础上的，达到的最高准确率。

b. 所用数据是老师提供的统一数据，2分类，训练、开发、测试数据量比约为8：1：2

结果对比如下：

1）输入：rand(随机初始化) + 训练过程：static

准确率：73.1%

2）输入：rand(随机初始化) + 训练过程：nonstatic

准确率：74.4%

3）输入：预训练word2vec + 训练过程：nonstatic

准确率：79.6%

4）输入：预训练word2vec（平滑处理） + 训练过程：nonstatic

准确率：80.2%

二、关键字提取方面

看完了刘知远老师的博士论文-基于文档主题结构的关键字提取方法，在博客园写了一篇阅读笔记。

三、PyTorch Coding Group学习

周六去工大听word2vec的报告，主要学习了两种模型（CBOW模型和Skip-gram模型）、两种加速方法（负采样、层次化softmax），来训练生成词向量。

四、听讨论班王潜升讲围棋AI相关知识

7月3日-9日_周报

标签：word   coding   方案   博士   随机   word2vec   测试   odi   情感分类   

原文地址：http://www.cnblogs.com/Joyce-song94/p/7152986.html