每日论文 | 深度学习所需矩阵微积分汇总；用多感知LSTM实现文本到知识库映射；从噪声数据进行关系分类

1

The Matrix Calculus You Need For Deep Learning

这篇论文来自Jeremy Howard和Terence Parr，目的是解释在深度网络训练时所需的矩阵微积分知识。本文假设你只学过基本微积分的课程，这篇文章提供了学习需要的所有要点。简单地说，这篇文章是为了那些已经了解神经网络基础、但是想进一步深入了解数学知识的人准备的。建议大家收藏哦！

地址：https://arxiv.org/abs/1802.01528

2

Mapping Text to Knowledge Graph Entities using Multi-Sense LSTMs

这篇论文解决了自然语言文本映射到知识库实体的问题。映射过程可以看作是将一个短语或句子的组合表示为多维实体空间中的一个点。其中用到的综合模型是一个LSTM结合一个在输入词嵌入上安装的动态消歧机制，能解决一词多义的问题。

地址：https://arxiv.org/abs/1808.07724

3

Reinforcement Learning for Relation Classification from Noisy Data

现有的关系分类方法是依靠距离监督，假设提到某一实体的句子能够描述实体间的关系。这样的方法是在词袋层面进行分类，并不能确定各实体的关系和句子间的映射，并且受到很多噪音标签的困扰。在这篇论文中，我们提出了一种新方法进行实体关系的分类，在句子层面从噪音数据中进行分类。模型有两个模块：一个实例选择器和一个关系分类器。

地址：https://arxiv.org/abs/1808.08013