【发布时间】：2020-09-09 18:29:06
【问题描述】：
我将训练数据分为两列 1.“句子” 2.'Relevant_text'（本栏文字是'Sentences'栏文字的子集）
我尝试使用 LSTM 训练 RNN，直接将“句子”作为输入，将“相关文本”作为输出，但结果令人失望。
我想知道如何解决这类问题？这种问题有名字吗？我应该探索哪些模型？
【问题讨论】：
标签： python text nlp lstm recurrent-neural-network
【发布时间】：2020-09-09 18:29:06
【问题描述】：
如果目标文本是输入文本的子集，那么我相信这个问题可以作为一个标记问题来解决：让你的神经网络为每个单词预测它是否“相关”。
一方面，获取文本并选择最能反映其含义的子集的问题称为extractive summarization，并且有很多解决方案，从众所周知的无监督textRank算法到复杂的基于BERT的神经模型。
另一方面，从技术上讲，您的问题只是二进制标记分类：您将输入文本的每个标记（单词或其他符号）标记为“相关”或不相关，并训练任何适合的神经网络架构标记此数据。具体来说，我会研究 POS 标记的架构，因为它们已经得到了很好的研究。通常，它是 BiLSTM，可能带有 CRF 头。更现代的模型基于预训练的上下文词嵌入，例如 BERT（也许，您甚至不需要微调它们 - 只需将其用作特征提取器，并在顶部添加 BiLSTM）。如果您想要一个更轻量级的模型，您可以考虑使用 CNN 而非预训练和固定的词嵌入。
最后一个你应该使用的参数是将单词分类为相关的阈值 - 也许默认的 0.5 不是最佳选择。也许，您不想保留所有重要概率高于 0.5 的标记，而是保留前 k 个标记，其中 k 是固定的或者是整个文本的某个百分比。
当然，更具体的建议将是特定于数据集的，因此如果您可以共享您的数据集，那将是一个很大的帮助。
【讨论】：