DyNet 已经投入使用,并已被用于各种各样的项目,主要涉及自然语言处理。DyNet 本身包含一些从最小到中等复杂度的示例(在 examples/ 目录下)。我们还列出了一些全面的研究项目,可以让有兴趣的读者找到匹配他们感兴趣的应用程序的参考样例。 句法分析(Syntactic Parsing):分析是目前使用 DyNet 的最突出的场景,DyNet 是许多方法的开发背后的库,例如 stack LSTMs [17](https://github.com/clab/lstm-parser)、用于依赖性解析的双向 LSTM 特征提取器(https://github.com/elikip/bist-parser)、循环神经网络语法 [18](https://github.com/clab/rnng),和 LSTM 层次树 [35](https://github.com/elikip/htparser)。 机器翻译(Machine Translation):DyNet 帮助创造了包括注意偏差(biases in attention)[12](https://github.com/trevorcohn/mantis)和基于字符的 27 种翻译方法 [42] 等方法。它还为许多机器翻译工具包提供支持,如 Lamtram(https://github.com/neubig/lamtram)和 nmtkit(https:// github.com/odashi/nmtkit)。 语言建模(Language Modeling):DyNet 已被用于混合神经/n 元语言模型(hybrid neural/n-gram language models)的开发 [47](https://github.com/neubig/modlm)和生成语法语言模型 [18](https://github.com/clab/rnng)。 标注(Tagging):DyNet 用于命名实体识别方法的开发 [47](https://github.com/clab/stack-lstm-ner)、POS 标注、语义角色标签 [60](https://github.com/clab/joint-lstm-parser)、标点符号预测 [5](https://github.com/miguelballesteros/LSTM-punctuation)和序列处理的多任务学习 [37,56] 以及创建新的架构,如段循环神经网络(segmental recurrent neural networks)[38](https://github.com/clab/dynet/tree/ master/examples/cpp/segrnn-sup)。 形态(Morphology):DyNet 已被用于形态变化生成 [21, 2](https://github.com/mfaruqui/morph-trans https://github.com/roeeaharoni/morphological-reinflection)。 杂项:DyNet 已被用于开发专门的用于检测协调结构的神经网络 [22];半监督的介词意义消歧 [23]; 和用于识别词汇语义关系 [53,52](https://github.com/vered1986/HypeNET)。 总结、致谢和参考文献(略) ©本文为机器之心编译,转载请联系本公众号获得授权。 ?------------------------------------------------ 加入机器之心(全职记者/实习生):[email protected] 投稿或寻求报道:[email protected] 广告&商务合作:[email protected] (责任编辑:本港台直播) |