Réseaux neuronaux profonds pour l'étiquetage de séquences - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2017

Réseaux neuronaux profonds pour l'étiquetage de séquences

Résumé

Depuis quelques années les réseaux neuronaux se montrent très efficaces dans toutes les tâches de Traitement Automatique des Langues (TAL). Récemment, une variante de réseau neuronal particulièrement adaptée à l'étiquetage de séquences textuelles a été proposée, utilisant des représentations distributionnelles des étiquettes. Dans cet article, nous reprenons cette variante et nous l'améliorons avec une version profonde. Dans cette version, différentes couches cachées permettent de prendre en compte séparément les différents types d'informations données en entrée au réseau. Nous évaluons notre modèle sur les mêmes tâches que la première version de réseau de laquelle nous nous sommes inspirés. Les résultats montrent que notre variante de réseau neuronal est plus efficace que les autres, mais aussi qu'elle est plus efficace que tous les autres modèles évalués sur ces tâches, obtenant l'état-de-l'art.
Fichier principal
Vignette du fichier
2017_TALNcourt_DeepRNN.pdf (211.54 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01579192 , version 1 (30-08-2017)

Identifiants

  • HAL Id : hal-01579192 , version 1

Citer

Yoann Dupont, Marco Dinarelli, Isabelle Tellier. Réseaux neuronaux profonds pour l'étiquetage de séquences. Traitement Automatique des Langues Naturelles (TALN), Jun 2017, Orléans, France. ⟨hal-01579192⟩
187 Consultations
175 Téléchargements

Partager

Gmail Facebook X LinkedIn More