Modèles neuronaux hybrides pour la modélisation de séquences : le meilleur de trois mondes ()

Marco Dinarelli, Loïc Grobol


Abstract
Nous proposons une architecture neuronale avec les caractéristiques principales des modèles neuronaux de ces dernières années : les réseaux neuronaux récurrents bidirectionnels, les modèles encodeur-décodeur, et le modèle Transformer. Nous évaluons nos modèles sur trois tâches d’étiquetage de séquence, avec des résultats aux environs de l’état de l’art et souvent meilleurs, montrant ainsi l’intérêt de cette architecture hybride pour ce type de tâches.
Anthology ID:
2019.jeptalnrecital-long.9
Volume:
Actes de la Conférence sur le Traitement Automatique des Langues Naturelles (TALN) PFIA 2019. Volume I : Articles longs
Month:
7
Year:
2019
Address:
Toulouse, France
Editors:
Emmanuel Morin, Sophie Rosset, Pierre Zweigenbaum
Venue:
JEP/TALN/RECITAL
SIG:
Publisher:
ATALA
Note:
Pages:
127–142
Language:
French
URL:
https://aclanthology.org/2019.jeptalnrecital-long.9
DOI:
Bibkey:
Cite (ACL):
Marco Dinarelli and Loïc Grobol. 2019. Modèles neuronaux hybrides pour la modélisation de séquences : le meilleur de trois mondes (). In Actes de la Conférence sur le Traitement Automatique des Langues Naturelles (TALN) PFIA 2019. Volume I : Articles longs, pages 127–142, Toulouse, France. ATALA.
Cite (Informal):
Modèles neuronaux hybrides pour la modélisation de séquences : le meilleur de trois mondes () (Dinarelli & Grobol, JEP/TALN/RECITAL 2019)
Copy Citation:
PDF:
https://aclanthology.org/2019.jeptalnrecital-long.9.pdf