2018年开始关注文本分类的一些论文，在这里做个小小的总结，记录一下。
1.论文题目：Joint Embedding of Words and Labels for Text Classification
机构：Duke University
论文发表：ACL2018
Github：https://github.com/guoyinwang/LEAM
摘要：将标签label与输入文本word embedding在相同空间进行词嵌入，并引入attention框架，比较输入文本text sequence和标签label作为attention。实验结果表明方法在准确率和效率上都有较好效果。
2.论文题目：Deep Pyramid Convolutional Neural Networks for Text Categorization
机构：Tencent AI Lab 张潼
论文发表：ACL2018
Github：作者github（C++）https://github.com/riejohnson/ConText
网友pytorch：https://github.com/Cheneng/DPCNN
摘要：DPCNN，低复杂度，有效表示长距离关联，简单结构的word-level CNN，增加层数但不增加复杂度。
3.论文题目：Disconnected Recurrent Neural Networks for Text Categorization
机构：科大讯飞
论文发表：ACL2018
Github：
摘要：DRNN，结合了CNN和RNN，将CNN的位移不变性引入RNN，使用CNN代替RNN单元。CNN的窗口越大则模型更像CNN，越小则倾向于RNN。
4.论文题目：Adversarial Multi-task Learning for Text Classification
机构：复旦大学
论文发表：ACL2018
Github：https://github.com/FrankWork/fudan_mtl_reviews
摘要：多任务学习+对抗思想，抽取共享特征和任务特殊特征。
5.论文题目：A Multi-sentiment-resource Enhanced Attention Network for Sentiment
Classification
机构：清华北大等
论文发表：2018
Github：
摘要：多情感资源attention网络（MEAN），通过构建情感词、负面词、强调词三种词库，使用attention机制引入神经网络，可用于情感分类。
文本分类经典的几篇：textcnn，vdcnn，HAN
SWEM：Baseline Needs More Love: On Simple Word-Embedding-Based Models and Associated Pooling Mechanisms
（效果又快又好，实现和思想都很简单，安利一下）
fasttext：可作为baseline使用。
transformer：Attention Is All You Need
神经网络+朴素贝叶斯：Weighted Neural Bag-of-n-grams Model:New Baselines for Text Classification
github：https://github.com/zhezhaoa/neural_BOW_toolkit.
Target-Oriented：Transformation Networks for Target-Oriented Sentiment Classification
LSTM+pooling：Text Classification Improved by Integrating Bidirectional LSTM with Two-dimensional Max Pooling
task-specific word embedding：Task-oriented Word Embedding for Text Classification
强化学习（文本分类）：Learning Structured Representation for Text Classification via Reinforcement Learning
region embedding：A NEW METHOD OF REGION EMBEDDING FOR TEXT CLASSIFICATION
sentence embedding：A S TRUCTURED S ELF - ATTENTIVE SENTENCE E MBEDDING
语义相似（文本分类无关）：ABCNN: Attention-Based Convolutional Neural Network for Modeling Sentence Pairs
Pairwise Word Interaction Modeling with Deep Neural Networks for Semantic Similarity Measurement
2018年NLP届都在关注的：Elmo、GPT、ULMFIT、BERT。
之前没有笔记的习惯，看到哪算哪，过久了就忘。一切过往，皆为序章。以后把看的能够记录下来，希望能从简单地看论文到有自己的解读和思考，并能得到启发，为己所用。