多状态图神经网络文本分类算法

为了提高模型在文本分类任务中的分类性能,针对图神经网络中存在的过度平滑问题,同时增强模型在处理文本特征与文本表示方面的能力,提出了一种基于多状态图神经网络的文本分类算法(multi-state graph neural network, MSGNN)。多状态图神经网络是利用网络层的多个历史状态信息对图神经网络进行强化,构建合理的文本图结构数据作为模型输入。在缓解网络层过度平滑问题的同时,结合2种改进后的不同类型的图神经网络来增强模型的特征提取与特征聚合能力。利用多头自注意力机制对文本关键词的挖掘与利用能力,从多个文本子空间来生成高质量的文本表示,进而完成文本分类。通过在几个公开的文本分类数据集上进行实验分析,相较于其他神经网络的文本分类算法,该方法取得了较好的分类准确率。     

智能语音代理的多媒体阅读应用探析

提出了智能语音代理的构想,阐述了智能语音代理在多媒体网络教学系统中应用的必要性与意义,建构了智能语音代理的功能模型,讨论了当前多媒体网络教学在语音处理上存在的问题,论述了语音代理系统应具有的功能和在多媒体教学活动中的作用.     

高校教学中民俗类非遗文本的翻译策略探讨

在漫长的历史发展进程中积淀而成的具有区域性特色的民俗类非物质文化遗产,是贴近民众生活的重要组成部分,也是通过翻译为媒介对外进行国际传播、加深世界对中国传统文化理解的生动素材。翻译作为跨文化传播活动,词汇翻译、语用翻译和文化翻译三个维度统筹兼顾,语言转换与文化传播实为一体。语言教学过程中,在引导学生通过翻译策略准确传达信息的同时,也要重视节日活动内涵和意义的发掘与整理。     

融合双重注意力机制的多源深度推荐模型

针对评分数据稀疏导致协同过滤算法推荐质量下降的问题,通过充分挖掘评论信息增强推荐性能,提出了一种融合双重注意力机制的多源深度推荐模型(MSDA)。该模型基于评分数据、用户评论集和商品评论集3个信息源进行推荐,结合卷积神经网络和双重注意力机制挖掘评论文本特征,利用神经因子分解机进行评分和评论特征之间的高阶非线性交互,从而实现评分预测。实验结果表明,相比于NeuMF、NARRE、HRDR等先进基准方法,MSDA显著提升了模型的评分预测性能。     

基于深度学习的药盒药名识别技术研究

在智能化药房中,为完成对药品存/取操作,需要为机器人配备视觉系统来实现对目标药品的定位与名称识别.对基于深度学习的文本检测与文字识别方法进行理论分析与实验,采用CRAFT算法检测药品文本区域,根据药名文本的特征检出并截取药名区域;基于LSTM的Tesseract-OCR对药名进行文字识别.对202个实物药盒进行的识别实...     

莆田市县气象业务集约化平台设计分析

为适应莆田市县气象预报业务集约化发展,采用B/S架构,应用JAVA技术,开发完成了莆田市县气象业务集约化平台.该平台通过设计"自启动"监控报警指标、预报预警文字产品转化规则和"批量"发布流程,搭建了"我的工作台""决策气象服务""气象灾害预警""后台管理"等4个模块,实现了产品制作"自启动"、产品"批量"生产、产品"批...     

政策工具视角下我国青少年体质健康政策文本量化研究——以2000年以后37部国家级政策文本为例

优化政策系统内部结构,完善长效机制,是依法推进青少年体质健康发展的重要前提.基于政策工具视角,采用内容分析法,从政策工具X维度和政策落实Y维度出发,对2000年以后37部国家级青少年体质健康政策文本进行量化分析.结果表明:供给侧政策工具使用不足;需求侧政策工具整体缺位;环境侧政策工具使用过溢.建议加大供给侧政策工具的改...     

融合知识图谱的文本聚类方法研究

为了提高文本聚类的性能,采用近邻传播(Affinity propagation, AP)算法进行文本聚类,并采用知识图谱进行样本预分析,以提高AP的文本聚类适用度。采用知识图谱进行样本预处理,对待聚类的文本进行知识图谱三元分析,并生成对应概念、实体和关系的样本集合;建立AP文本聚类模型,并通过差分进化(Differential evolution, DE)算法优化偏向参数;利用DE算法求解的最优个体的偏向参数进行AP聚类运算,不断更新AP算法的决策和潜力阵,从而获得稳定的聚类结果。试验结果表明,经过知识图谱分析之后,通过合理设置DE算法的差分缩放因子和交叉速率,DE-AP算法能够获得更优的聚类准确度,且聚类准确度的均方根误差(Root mean squared error, RMSE)值更低;和常用文本聚类算法相比,该文算法获得了更高的聚类准确度。     

基于增量式模糊聚类算法的文本挖掘

针对传统模糊聚类算法需要预先确定初始隶属度矩阵的问题,该文提出了基于增量式模糊聚类算法(Incremental fuzzy clustering algorithm, FCLDA)的文本挖掘方法。首先根据文本集中关键词出现次数进行排序,优先选择出现次数多的关键词作为文本集的主题,然后利用隐含狄利克雷分布(Latent Dirichlet allocation, LDA)主题模型构建文档-主题概率分布组成矩阵,将该矩阵作模糊C均值聚类(FCM)算法的隶属度矩阵,并对隶属度矩阵的隶属度值增加一个权值,在FCLDA算法迭代过程中,采用模糊信息熵作为聚类数确定的标准,增加主题词,当模糊信息熵达到最小值时,聚类数确定下来,最后将FCLDA算法应用到网页的文本挖掘中,结果试验表明,相对于FCM算法和K最近邻(K-nearest neighbor)算法,FCLDA算法的运行聚类结果准确率更高,运行速度加快,更适合处理具有模糊性的文本。     

一种启发式的信息抽取算法

提出一种启发式的信息抽取算法, 并利用该算法建立一个信息抽取系统. 该系统基于文本分块, 利用文本的语义特征和结构特征, 抽取具有特征的状态, 在此基础上, 利用反向动态规划和正向A^*算法, 抽取剩余的无特征状态. 通过对100篇论文头部进行测试的结果表明, 精确度和召回率比基于单词和传统Viterbi算法的方法均有所提高, 启发式算法的性能优于Viterbi算法.