基于双维注意力机制的事件要素识别方法

事件要素识别是事件抽取的基本任务,对后续任务的开展起着重要作用.随着深度学习技术的发展,神经网络逐渐成为事件要素识别的主流方法.近几年,注意力机制在自然语言处理领域得到广泛使用,但注意力机制依赖于嵌入层对上下文特征的提取,在事件要素识别等序列标注问题中效果不理想.针对这一问题,提出了一种基于注意力机制的双维注意力机制,从矩阵行和列两个维度计算注意力得分,因此可以较好地提取句子的上下文特征,并且使用了动态目标损失函数,通过动态给予不同标签不同的权重,一定程度上缓解了样本不平衡和数据稀疏带来的模型泛化不足问题.在CEC2.0中文突发事件语料库上对比实验表明,所提方法取得较好效果.     

基于正交投影的BiLSTM-CNN情感特征抽取方法

基于正交投影的BiLSTM-CNN的情感特征抽取方法旨在从文本中获取带权重的中性词向量,得到具有更高区分度的情感特征,为文本情感分类提供有力的技术支持.传统的深度学习模型会忽略关键局部上下文信息中的特殊意义词,导致获取的情感特征不够丰富.针对这一问题,本文提出一种基于正交投影的BiLSTM-CNN情感特征抽取方法.首先,将中性词向量投影到情感极性词的正交空间中,得到加权中性词向量,同时通过CNN深度学习模型抽取文本关键语义;然后,利用BiLSTM-Attention模型和带权重的中性词向量,从提取出的关键语义中学习可增强句子情感的语义特征,使文本在情感分类时更具判别性.实验结果表明本文所提出的情感特征抽取方法可以获取更完整的情感特征,从而显著提高文本情感分类的准确率.     

社会网络社区识别方法研究

随着Facebook、微信、人人网等社区网络的兴起,社会网络的研究受到越来越多研究人员的注意。社会网络的研究可以为舆论分析、传染病传播等提供技术和理论的支持。关注社会网络的热点问题,对社会网络分析、社会网络社区识别等国内外研究现状及基本技术进行分析,为开展相关研究奠定基础。     

弹性无限体板基础在多荷载作用下的内力计算探讨

基于Gorbunov—Posadov关于均质弹性无限板的理论，提出了均质弹性无限板基础在多荷载作用下的内力计算方法，并将算法应用于工程实践中。     

一种高性价比共地变频调速控制器的设计

阐述了PWM变频调速的基本原理,分析了传统隔离方案的变频调速控制器的典型拓扑,给出了采用共地方案实现的变频调速控制器原理,并对其硬件设计进行了详细的分析。实验结果表明:采用共地方案可以达到简化硬件电路的设计,有效降低硬件成本,并能够获得较好的控制效果,文中最后给出了不同频率下的实验波形。     

CCM-MF:基于多维度特征融合的中文文本分类模型

针对中文文本中不同维度特征所携带的语义信息具有差异性的问题，本文提出一种基于多维度特征融合的中文文本分类模型：CCM-MF (Chinese-text Classification Model Based on Fused Multi-dimensional Features)。该模型融合层次维度和空间维度特征，以提高中文文本分类的准确率。首先，在层次维度上，使用预训练模型ERNIE (Enhanced Representation through Knowledge Integration)获取包含字、词及实体级别特征的词向量；然后，在空间维度上，将包含层次维度特征的词向量分别输入到改进后的深度金字塔卷积神经网络(Deep Pyramid Convolutional Neural Networks，DPCNN)模型及附加注意力机制的双向长短期记忆网络(Attention-Based Bidirectional Long Short-Term Memory Networks，Att-BLSTM)模型中，得到局部语义特征和全局语义特征；最后，将得到的空间维度特征分别作用于Softmax分类器，再对计算结果进行融合并输出分类结果。通过在多个公开数据集上进行实验，较现有主流的文本分类方法，本模型在准确率上有更好的表现，证明了该模型的有效性。     

基于情感信息预处理和Bi-GRU的虚假评论识别模型

虚假评论识别在电子商务、社交媒体等领域具有重要的应用价值。尽管现有虚假评论识别模型融合了文本的情感信息，但在预训练过程中忽视了对情感信息的提取，导致准确率不高。针对此问题，本文提出一种基于情感信息预处理和双向门控循环单元(Bidirectional Gated Recurrent Unit, Bi-GRU)的虚假评论识别模型(FR-SG),用于提高虚假评论识别的准确率。首先，通过Albert模型获取文本的语义向量；然后，使用词频-逆文本频率(Term Frequency-Inverse Document Frequency, TF-IDF)和K-均值(K-means++)聚类的方法从评论中挖掘情感种子词，基于种子词对文本中的属性词和情感词进行掩码(mask);接着，使用面向情感的目标优化函数，将情感信息嵌入到语义表示中，生成情感向量；最后，将这两组向量的拼接结果输入虚假评论识别网络中，得到文本的分类结果。实验结果表明，相较于Bi-GRU+Attention模型，FR-SG提高了虚假评论识别的准确率。