基于双输入和BiLSTM-MHSA的评论文本方面情感分类方法

【目的】针对方面情感分类输入类别在不同领域之间差异较大,汽车用户评论文本语义信息不全,语义特征难以提取等问题,提出基于双通道输入的并行双向编码表征(bidirectional encoder representation from transformers, BERT)双向长短期记忆多头自注意力模型的方面情感分类方法。【方法】首先采用了方面情感和方面抽取的双重标签进行标注;其次通过并行的方面抽取和方面情感分类任务通道,分别使用BERT、双向长短期记忆网络(bidirectional long and short-term memory networks, Bi-LSTM)及多头注意力机制(multihead self-attention, MHSA)提取更深层次的语义信息及近距离和远距离特征信息;最后采用条件随机场(conditional random field, CRF)分类器和Softmax分类器进行分类。【结果】在相关的汽车用户评论文本数据集和多语言混合数据集上,本研究提出的模型相较于主流的方面情感分类方法,具有同步抽取方面词和判断情感极性的能力,且有效提高了方面词抽取和方面情...     

应用型软件人才培养方案的关键问题研究

在简述软件产业发展和中国软件人才需求情况的基础上,分析了目前国内软件人才培养的现状、模式及培养中存在的若干问题.针对高校培养软件人才存在的问题,提出了一个面向应用型软件人才培养的方案,并探讨其中若干关键问题,包括人才培养的合理定位、核心课程体系设置、核心课程内容更新、相关教学方法和教学考核形式改革等.     

基于语义共现与注意力网络的问题分类方法

针对汽车故障问答文本特征稀疏、语义信息不全、深层次语义特征较难提取等问题,提出基于问题-答案语义共现的多层次注意力卷积长短时记忆网络模型(co-occurrence word attention convolution LSTM neural network,CACL)的问题分类方法。通过向量空间模型计算问题与答案文本中语义相似的共现词,使用注意力机制聚焦问题文本中的共现词特征,输入卷积神经网络(convolutional neural network,CNN)提取问题局部特征,通过长短时记忆网络(long short-term memory network,LSTM)及词级别注意力机制提取长距离依赖特征及其更高层次的文本特征,采用Softmax进行问题分类。结果表明,相比较于主流的问题分类方法,该方法有效提高了问题分类的精度,最高提升了10.04%的准确率。同时,试验发现当选用11个有效共现词且共现词来自问题文本时,模型的处理精度最佳。合理利用问题-答案文本语义相似的共现词,能有效提升汽车故障问题的分类性能,且共现词的个数、来源对问题的分类精度有一定的影响。     

浅析桥梁大体积混凝土的施工技术

大体积混凝土的施工技术已经被广泛运用在了桥梁的施工当中,但容易出现结构裂缝.该文分析了该技术的特征、施工设计方法以及具体的施工技术,施工技术主要包括了浇筑施工技术,搅拌技术与振捣技术,冷却水管的埋设施工技术以及养护技术.应用以上施工技术的目的是减少或消除结构内部与结构外部所出现的温差应力,从而预防结构出现裂缝.     

现阶段高层建筑防火技术的思考

根据作者多年的消防工作经验,笔者分析了现阶段公安处建筑防火设计中存在的一些防火技术难题,并针对性的提出了相应的改进措施和对策。     

基于MSHTML的精品课程网站自动生成系统的实现

针对精品课程网站建设的重要性和复杂性,提出了一个精品课程网站自动生成系统的设计方案,并详细介绍、分析了系统的主要功能和实现技术。将该系统应用到校级重点课程“教育技术学导论”的建设中,实践表明系统通过采用模板和导航的方式,能够简化网站建设过程,使得非专业人员能在较短的时间内制作出满意的课程网站。     

基于宽卷积核神经网络与BiLSTM的渔船轨迹分类方法

【目的】针对使用船舶自动识别系统(automatic identification system, AIS)数据进行船舶类型识别中原始特征较少和时空特征利用不充分的问题,提出了基于数据块的双向长短期记忆卷积神经网络的渔船类型分类方法。【方法】首先将数据以数据块的形式输入模型,保留短时内的时序特征;然后利用宽卷积核深度卷积神经网络(wide convolutional kernel deep convolutional neural network, WDCNN)模型首层的大卷积对数据进行特征提取;最后采用双向长短期记忆网络(bidirectional long-short-term memory networks, BiLSTM)提取数据的深层时间信息,得到最终的船舶分类结果。【结果】在真实的船舶AIS数据集上进行测试后发现：本模型较主流船舶分类模型对渔船分类的正确率有一定的提升,F₁值达到了5%左右的提高。【结论】本试验模型更有利于海事部门对渔船的监管,同时对海上渔场、鱼群分布的研究也有一定的参考价值。