我要投稿 查看投稿进度
学术期刊
在线客服
客服电话：400-188-5008
客服邮箱：service@ccnpub.com
投诉举报：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享

请选择 目标期刊

机器阅读理解中观点型问题的求解策略研究 下载：79 浏览：348

段利国 高建颖 李爱萍 《中文研究》 2019年5期

摘要:
针对机器阅读理解中观点型问题的求解，提出一个端到端深度学习模型，使用Bi-GRU对文章和问题进行上下文语义编码，然后运用基于拼接、双线性、点乘和差集4种函数的注意力加上Query2Context和Context2Query两个方向注意力的融合算法获取文章和问题的综合语义信息，之后运用多层注意力转移推理机制不断聚焦，进一步获取更加准确的综合语义，最终将其与候选答案进行比较，选出正确答案。该模型在AIchallager2018观点型阅读理解中文测试数据集上准确率达到76.79%，性能超过基线系统。此外，该文尝试文章以句子序列作为输入表示进行答案求解，准确率达到78.48%，获得较好试验效果。

融合注意力机制的多通道卷积与双向GRU模型的文本情感分析研究 下载：57 浏览：400

袁和金 张旭 牛为华 崔克彬 《中文研究》 2019年4期

摘要:
文本情感分析作为自然语言处理领域的一大分支，具有非常高的研究价值。该文提出了一种基于多通道卷积与双向GRU网络的情感分析模型。该模型首先使用多通道卷积神经网络对文本不同粒度的特征信息进行提取，提取后的特征信息经过融合送入双向GRU中，结合注意力机制获得文本的上下文情感特征，最后由分类器给出文本的情感倾向。注意力机制自适应的感知上下文信息进而提取对情感极性影响较强的特征，在模型的基础上引入Maxout神经元，解决模型训练过程中的梯度弥散问题。模型在IMDb及SST-2数据集上进行实验，实验结果表明本文模型较CNN-RNN模型在分类精确度上有了一定程度的提升。

ResNet结合BiGRU的关系抽取混合模型 下载：34 浏览：317

唐朝1 诺明花1 胡岩2 《当代中文学刊》 2020年4期

摘要:
关系抽取主要目的是将非结构化或半结构化描述的自然语言文本转化成结构化数据,其主要负责从文本中识别出实体,抽取实体间的语义关系。就关系抽取任务而言,当前流行的网络结构是仅使用CNN作为编码器,经过多层卷积操作后,对池化的结果进行softmax分类。还有部分工作则使用RNN并结合Attention机制对最后的结果做分类。这些网络结构在远程监督带噪声的关系抽取任务中表现并不理想。该文主要根据ResNet残差块的特性,提出了一种混合模型,它有效融合,ResNet和BiGRU,将带有残差特性的CNN和双向RNN结合起来,最后融入注意力机制来完成基于远程监督的关系抽取任务。实验验证了该混合模型在远程监督的噪声过滤方面的有效性。在NYT-Freebase数据集上,P@N值相比使用单一ResNet提高了2.9%。另外,该文所建混合模型可以很轻易地移植应用到其他NLP任务中。

基于Bi-GRU并包含注意力机制的文本数据真值发现 下载：40 浏览：341

常宸1 曹建军2 吕国俊1 郑奇斌1 翁年凤2 《当代中文学刊》 2020年4期

摘要:
针对传统真值发现算法无法直接应用于文本数据的问题,该文提出基于Bi-GRU并包含注意力机制的文本数据真值发现方法。根据文本答案的多因素性,词语使用的多样性与文本数据的稀疏性等特点,该文对用户答案进行细粒度划分,并利用Bi-GRU表征文本答案的语义信息,利用双层注意力机制分别学习用户答案关键词可靠度及用户答案可靠度。依据真值发现的一般假设,无监督学习上下文向量,并最终获得可靠答案。实验结果表明,该算法适用于文本数据真值发现场景,较基于检索的方法及传统真值发现算法效果更优。

基于GRU-Bagging模型的异常用电行为检测 下载：76 浏览：465

马云波1，2 李英娜1，2 李川1，2 《数据与科学》 2020年9期

摘要:
针对真实窃电用户数量远远少于正常用电用户所导致的窃电用户分类预测不合理的问题,本文提出了一种基于GRU-Bagging模型的异常用电行为检测方法。首先通过构建基于门控制单元(GRU)的特征提取网络从用户历史负荷序列数据中提取出潜在优选特征;然后利用SMOTE算法增加少数窃电用户的数据量,有效解决数据分布不均衡问题;最后,采用Bagging集成学习模型训练并预测新的测试样本的类别。实验结果表明,该方法在不平衡数据集上表现良好,预测准确度达到86.17%,召回率更是达到95.34%。此外,与长短期记忆网络(LSTM)以及人工特征提取方法相比,所提特征提取方法具有更高效的性能。

引入分数阶微分的局部高斯分布拟合能量模型 下载：64 浏览：382

储珺1 余佳佳2 缪君1 张桂梅1 《人工智能研究》 2019年11期

摘要:
局部高斯分布拟合能量(LGDF)模型缺乏全局信息,对初始轮廓曲线选取较敏感,特别在分割弱边缘和弱纹理区域图像时,容易陷入局部极值,对噪声的鲁棒性不好.针对上述问题,文中提出引入分数阶微分的LGDF模型.在LGDF模型中引入全局的Grümwald-Letnikov(G-L)分数阶梯度拟合项,增强弱边缘和弱纹理区域的梯度信息,提高对初始轮廓曲线和噪声的鲁棒性.采用自适应权重函数确定全局项和局部项的系数,提高对灰度不均匀图像的分割效率和分割精度.根据图像的梯度模值、信息熵和对比度构建自适应分数阶阶次的函数,提高分割效率.理论分析和实验均表明,文中模型可以用于灰度不均匀、弱纹理、弱边缘图像的分割.合成图像和真实图像的实验表明文中模型可以提高图像的分割精度和效率.

基于EEMD-GRU-MLR的短期电力负荷预测 下载：88 浏览：486

邓带雨1 李坚1 张真源1 滕予非2 黄琦1 《电网技术研究》 2020年5期

摘要:
针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression, MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。

基于BiGRU和注意力机制的多标签文本分类模型 下载：76 浏览：485

饶竹一 张云翔 《计算机研究与应用》 2020年3期

摘要:
文本分类是自然语言处理的重要组成部分,在电网相关的网络文本情感识别中,针对其文本没有固定语法及书写格式,且情感信息分散于文本各个位置的问题,提出一种基于双向门控循环神经网络(BiGRU)和注意力机制的多标签文本分类模型。首先,使用预训练词向量提取网络文本的深层次信息特征；其次,根据注意力机制将分析出的深层次信息特征加以相应的权重；最后,使用BiGRU对文本特征信息进行分类。在Kaggle的Toxic Comment Classification数据集上进行的实验结果表明:对于情感识别的准确率高达98%。
[1/1]
|<
<
1
>
>|
在线客服：：点击联系客服
联系电话：：400-188-5008
客服邮箱：：service@ccnpub.com
投诉举报：：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享