【摘 要】
：
情感分析作为大数据时代处理非结构化数据的分支,一直是研究者关注的重点课题。情感分析是从文本中挖掘所表达的情感,将其作为产品或社交的决策依据。鉴于此,提出一种基于句型分类的句子级情感分析手段。首先训练一个基于长短期记忆学习(LSTM)的句型分类器,从大量的推特句子中提取否定句和比较句作为特殊句型,利用分而治之的思想将这类特殊句子与正常的无否定和比较的句子分开;然后采取N值不同的特征提取手段(N-gram);最后分别运用词包(BoW)和词频—逆向文件频率(TF-IDF)两种方法表示句子的词向量,对模型进行情感
论文部分内容阅读
情感分析作为大数据时代处理非结构化数据的分支,一直是研究者关注的重点课题。情感分析是从文本中挖掘所表达的情感,将其作为产品或社交的决策依据。鉴于此,提出一种基于句型分类的句子级情感分析手段。首先训练一个基于长短期记忆学习(LSTM)的句型分类器,从大量的推特句子中提取否定句和比较句作为特殊句型,利用分而治之的思想将这类特殊句子与正常的无否定和比较的句子分开;然后采取N值不同的特征提取手段(N-gram);最后分别运用词包(BoW)和词频—逆向文件频率(TF-IDF)两种方法表示句子的词向量,对模型进行情感
其他文献
近年来,移动终端、监控设备等多媒体数据的海量增长推动了互联网服务的巨量交互。隧道视频监控是城市交通的重要组成部分,其与工业互联网的结合是实现城市交通产业高质量发展的重要前提和保障,也是建设网络强国和制造强国的重要支撑。为此,提出基于工业互联网技术的城市隧道视频监控信息采集与语义分析框架,同时结合语义分析的城市隧道视频监控深度学习方法,解决隧道监控系统在实际应用场景下的安全隐患问题,减少因突发故障导
无线传感器网络(WSN)测试平台对于研究网络协议有重要价值。目前已有的WSN测试平台能完成大多数测试任务,但在实时监测网络节点电流上都有局限性,对通信协议对节点功耗的影响研究不全面。为解决该问题,提出一种WSN测试平台设计方案。硬件设计了电流检测电路构建模块化节点,软件设计了电流监测、网络侦听、上位机显示界面等功能。对平台主要功能进行验证性实验,包括监测电流和侦听网络实验。实验结果表明,该平台的电
在互联网经济时代,社交媒体以全新的信息传播特性和技术优势为企业品牌营销提供了便利,但同时也对企业的网络谣言应对与品牌管理提出了挑战。将说服知识理论应用于研究社交媒体背景下品牌谣言对消费者品牌信任的影响,构建品牌谣言传播的消费者反应及处理机制理论模型,并利用结构方程模型检验理论假设。研究结果表明,消费者在面对社交媒体上的品牌谣言时会激活相应说服知识,消费者的自我效能感和对品牌的熟悉程度对说服知识的激活有显著正向影响,社交媒体信任对说服知识的激活有显著负向影响,激活的说服知识正向影响消费者的品牌信任。
现有的疲劳驾驶检测方法,大多只采用单一信号判断驾驶员疲劳状态,容易受到干扰,当实际检测环境不那么理想时,无法采集到足够准确的数据,会导致检测结果出现较大偏差。提出基于随机森林与多源信息融合的疲劳驾驶检测方法,运用多个微型传感器,同步采集驾驶员的呼吸、心跳、脉搏以及握力信号,当某一个信号采集有所偏差时,另一个信号不受影响,然后将所有采集到的信号进行整合,建立一个多源融合的疲劳驾驶状态数据集作为检测依
针对光伏发电组件故障类型复杂且监测困难的问题,在原始小样本数据的基础上,提出基于数据扩充的光伏组件故障诊断方法。首先,在光伏发电组件等效模型基础上,建立以光伏发电组件输出电压、输出电流、太阳辐照度及组件表面温度为输入量的单隐含层BP神经网络故障诊断模型,并基于Kolmogorov定理确定隐含层神经元数量;其次,引入原始小样本数据源及白噪声扩充原始数据后的数据源;最后,在同一故障诊断模型下,对两种数据源进行诊断准确率及效率的对比分析。结果表明,利用白噪声扩充后的数据进行诊断,其准确率达到100%,高于原始数
数字资源推荐中不可避免的信息偏见极易使用户陷入信息蚕茧当中。为缓解这一问题,通过对用户信息需求层次进行深入剖析,提出一种全新的融合用户信息行为的防偏见数字资源推荐方法(A-UIBR)。首先从用户兴趣、情境信息以及信息需求层次3个维度构建输入矩阵计算防偏见因子,在此基础上将防偏见因子通过正相关与负相关引入资源表示层,匹配得到含防偏见属性的数字资源列表,最后将需求层次属性作为平衡因子,采用topN输出已排序的推荐结果列表。仿真实验与数据对比显示,该推荐方法相比传统的混合粒度和评分差异推荐方法,平均精度提高了1
为了使得用于目标识别的神经网络模型适应普通移动端或者嵌入式设备,需要将模型中对结果无影响的部分卷积通道剪枝,并简化权值数据。鉴于此,提出一种基于卷积神经网络的剪枝和权值量化方法:首先,对卷积神经网络中常见的卷积层和全连接层中的权值在训练后进行大小判别;其次,通过对权值及相应通道的剪枝达到降低卷积神经网络模型体积的目的;最后,对剩余权值进行量化处理,降低卷积神经网络计算成本,并对量化后的模型进行一定
建筑能耗预测是实现建筑节能和控制的前提,也是未来电网需求响应和实时平衡的重要条件。为提高建筑能耗预测精度,针对建筑能耗序列的复杂性和长期依赖性,提出一种结合LSTM神经网络和注意力机制的建筑能耗预测模型。首先采用距离相关系数来确定环境特征,然后构建LSTM模型,通过网格搜索确定模型超参数。在LSTM模型的基础上加入Attention机制,突出关键时间节点包含的建筑能耗特征对预测结果的影响。在实际用户电能数据集上进行验证,结果表明在小时和日能耗数据集上,预测效果均优于LSTM、GRU模型和其他传统机器学习模
随着国内IT基础设施产业的不断发展,国产芯片、操作系统和应用系统得到了大范围应用。固件作为底层硬件设备与操作系统之间的纽带,其安全性直接影响国产化IT基础设施产业链的长久发展。分析国产化IT基础设施固件安全的现状,针对固件安全存在的威胁提出通用固件安全模型。基于该模型,用户可实现国产化IT基础设施产业固件的安全评估,了解固件面临的安全威胁和安全风险;针对威胁和风险,搭建固件安全防护体系,补齐短板;制定固件安全标准,推动固件安全领域的持续健康发展。
为提升机器学习场景下分类与预测任务模型的准确性和普适性,基于分层级联结构与改进的遗传算法构建自动化机器学习模型,将其应用于分类场景,并采用OpenML公共数据集进行实验。结果表明,这种创新的方法不仅能并行、自动地构建自动化机器学习模型,而且能快速、有效地进行分类与预测。构建的自动化机器学习算法准确率较高,经过多轮验证,准确率可达到94.4%,相比使用单个分类器提高了5%~10%。