基于卷积神经网络的多通道特征表示文本分类模型

尽管长短期记忆网络(long short-term memory,LSTM)、卷积神经网络(convolutional neural network,CNN)及其结合体在文本分类任务中取得了很大的突破.但这类模型在对序列信息进行编码时,往往无法同时考虑当前时刻之前和之后的状态,从而导致最后分类效果不佳.此外,多版本预训练词向量比单个版本的预训练词向量包含更多的信息.因此提出了一种基于CNN的多通道特征表示文本分类模型(multi-channel feature representation text classification model based on CNN,MC-CNN).该模型首先通过两个不同的双向长短期记忆(bi-directional long short-term memory,Bi-LSTM)来对不同来源词向量所表示的文本序列进行正逆序上的特征提取,并以此形成多通道特征;然后利用多尺度卷积网络来进一步使得模型能够同时充分考虑到当前时刻之前以及之后的信息,从而更加有效地进行文本分类.MC-CNN在MR、SST-2、TREC、AG、Yelp_F、Yelp_P数据集上分别达到了81.6％、87.4％、98.6％、94.1％、65.9％、96.8％的准确率,实验结果表明本文模型MC-CNN在文本分类任务中具有优异的效果.     

界面约束法在曲流河储层构型建模中的应用

根据多级界面联合约束的确定性建模方法,应用钻井、地质、测井及生产动态数据,对大港油田某断块曲流河储层进行构型建模研究.首先在沉积微相模型的基础上利用点坝内部构型解剖结果,采用多级界面联合约束、界面间设定构型单元的方法建立储层结构模型,然后结合井点数据分析建立构型约束下的储层参数模型.结果表明:侧积层的间隔、倾角、倾向在其规模范围内有一定变化,在建模过程中需要利用井点数据计算修正;界面约束的建模方法能够很好地体现河道内部侧积夹层分布;储层构型约束下的属性建模是确定和随机相结合的建模方法,建立的模型能合理地反映油藏的实际情况.     

水驱曲线极限含水率选值问题研究

极限含水率是水驱曲线法计算可采储量的重要参数。对于水驱开发油田,进入产量递减阶段以后,水油比与产量具有半对数直线关系,可以由此计算达到废弃产量时对应的极限水油比和极限含水率,根据不同的水驱曲线表达式,预测水驱油田可采储量。与按照统一规定极限含水率取98%计算的可采储量相比,该方法计算结果更接近于油田实际。     

密集池化连接和短语注意力下的文本分类算法

为了解决在文本分类中神经网络训练时产生的梯度消失、特征信息丢失以及注意力机制短语维度组合不匹配的问题,提出一种基于密集池化连接和短语注意力机制的文本分类算法.首先,通过密集池化连接中的残差网络部分进行特征提取,可有效缓解梯度消失问题;其次,通过池化层复用重要特征,改善特征信息丢失问题;最后,通过改进常规注意力机制,提出短语注意力机制,可灵活得到不同阶短语之间的联系,解决常规注意力机制短语维度不匹配问题.结果表明,该模型在对比模型中取得了最好的效果,在相同的新闻数据集中准确率可达92.7％,同时还对3个对比模型的收敛性和分类准确性进行分析,可见改进后的模型可以有效缓解梯度消失,并且解决短语维度组合不匹配问题,从而提高了分类准确性.