embedding size: 300
LSTM size: 150
Gaussian noise: 0.2
dropout: 0.3 at the embedding layer, 0.5 at the LSTM layers, 0.25 at the recurrent connections of the LSTM
L2正規化：0.25
TSA Model
embedding layer: 300
LSTM size: 64
Gaussian noise: 0.2
dropout: 0.3 at the embedding layer, 0.2 at the LSTM layer and the recurrent connection of the LSTM, 0.3 at the attention layer and Maxout layer
L2正規化：0.001
about this paper
author: Christos Baziotis, Nikos Pelekis, Christos Doulkeridis link: https://aclweb.org/anthology/S17-2126
topic-basedとmessage-levelに分けattentionをかます手法。 message-levelのためには2層のbi-LSTMを用いて、topic-basedのためにはSiamese bi-LSTMを用いる。 SNSのテキストデータのための前処理ツールを使用（トークン化、単語正規化、スペル修正）。 hand-crafted特徴は一切用いてないらしい（＊個人的に、絵文字の感情を勝手に決めるのはhand-crafted特徴じゃないの？と思っている）。
aim
model
experiments
ミニバッチ：128 最適化：Adam gradientのnorm：5（学習率のチューニングのため）
MSA Model
embedding size: 300 LSTM size: 150 Gaussian noise: 0.2 dropout: 0.3 at the embedding layer, 0.5 at the LSTM layers, 0.25 at the recurrent connections of the LSTM L2正規化：0.25
TSA Model
embedding layer: 300 LSTM size: 64 Gaussian noise: 0.2 dropout: 0.3 at the embedding layer, 0.2 at the LSTM layer and the recurrent connection of the LSTM, 0.3 at the attention layer and Maxout layer L2正規化：0.001
results
code
前処理ツール：http://github.com/cbaziotis/ekphrasis モデル：http://github.com/cbaziotis/datastories-semeval2017-task4