文章-世纪中文出版社

任权《中文研究》 2020年8期

摘要:

细粒度实体分类任务作为命名实体识别任务的扩展，其目的是根据指称及其上下文，发掘实体更细粒度的类别含义。由于细粒度实体语料的标注代价较大，标注错误率较高，因此该文研究了在少量样本情况下的细粒度实体分类方法。该文首先提出了一种特征提取模型，能够分别从单词层面以及字符层面提取实体信息，随后结合原型网络将多标签分类任务转化为单标签分类任务，通过缩小空间中同类样本与原型的距离实现分类。该文使用少样本学习以及零样本学习两种设置在公开数据集FIGER（GOLD）上进行了实验，在少样本学习的设置下，较基线模型在三个指标中均有提升，其中macro-F1的提升最大，为2.4%。

基于循环实体网络的细粒度情感分析下载：55 浏览：461

贾川方睿浦东康刚《中文研究》 2019年1期

摘要:

目前，深度神经网络模型已经在文本情感分析领域取得了较好的效果，但是对于属性相关的细粒度的情感分析任务，现有研究方法的效果仍有待改进。该文提出了一种基于循环实体网络来进行细粒度情感分析的方法，在网络中嵌入预定义的评价属性类别信息，利用扩大的内部记忆链来抽取与每个属性类别相关的情感特征，并通过动态记忆单元控制与属性相关情感信息的远距离依赖，然后，对于给定的单个属性类别，利用注意力机制从内部记忆链中抽取该属性类别的情感特征进行分类。该文提出的方法在Sentihood数据上与目前精度最高的方法相比，取得了近1个百分点的提升，而且模型的收敛速度更快。

基于细粒度词表示的命名实体识别研究下载：26 浏览：345

林广和1 张绍武1，2 林鸿飞1 《中文研究》 2018年12期

摘要:

命名实体识别(NER)是自然语言处理中的一项基础任务，其性能的优劣极大地影响着关系抽取、语义角色标注等后续任务。传统的统计模型特征设计难度大、领域适应性差，一些神经网络模型则忽略了词本身所具有的形态学信息。针对上述问题，该文构建了一种基于细粒度词表示的端到端模型(Finger-BiLSTM-CRF)来进行命名实体识别任务。该文首先提出一种基于注意力机制的字符级词表示模型Finger来融合形态学信息和单词的字符信息，然后将Finger与BiLSTM-CRF模型联合进行实体识别，最终该方法以端到端、无任何特征工程的方式在CoNLL 2003数据集上取得了F1为91.09%的结果。实验表明，该文设计的Finger模型显著提升NER系统的召回率，从而使得模型的识别能力显著提升。

基于机器学习的细粒度空气质量时间预测器下载：63 浏览：499

曹鑫磊冯锋《中国环境保护》 2020年6期

摘要:

针对空气质量状况的预防和治理,提出了基于线性回归的空气质量预测方法。作为时间预测器,更多的是考虑本地的历史数据、过去与未来的状况,挖掘空气质量随时间变化的关系以及变化趋势,为了选取最优的特征,对数据进行分析,找到与空气质量变化关系密切且存在线性关系的特征,以此特征来建立线性回归模型,并使用Cross-Validation方法进行评估验证。实验结果表明线性回归方法能够有效地预测到空气质量的变化趋势,效果良好,具有较强的实用性。

基于句法规则和HowNet的商品评论细粒度观点分析下载：33 浏览：333

韦婷婷1 陈伟生1 胡勇军2 骆威1 包先雨3 《当代中文学刊》 2020年5期

摘要:

该文提出一种基于句法规则和HowNet词典的商品评论细粒度观点分析方法,主要包括三个模块:评价对象抽取、评价对象—评价词对抽取、评价对象总体观点得分计算。具体思路为:首先,结合词性标注和频繁项集方法构建一个初始的评价对象词典,便于重用和修正商品的总体评价维度;其次,基于爬取的电商评论文本真实数据设计了评价对象—评价词对抽取规则;最后,借助HowNet词典分别计算不同评价维度的观点综合得分,进而对比同一商品不同品牌在各个维度下的总体观点评价,该方法在商品评论语料集上验证了有效性。

基于领域情感词典特征表示的细粒度意见挖掘下载：24 浏览：335

郁圣卫卢奇陈文亮《当代中文学刊》 2019年4期

摘要:

细粒度意见挖掘的主要目标是从观点文本中获取情感要素并判断情感倾向。现有方法大多基于序列标注模型,但很少利用情感词典资源。该文提出一种基于领域情感词典特征表示的细粒度意见挖掘方法,使用领域情感词典在观点文本上构建特征表示并将其加入序列标注模型的输入部分。首先构建一份新的电商领域情感词典,然后在电商评论文本真实数据上,分别为条件随机场(CRF)和双向长短期记忆-条件随机场(BiLSTM-CRF)这两种常用序列标注模型设计基于领域情感词典的特征表示。实验结果表明,基于电商领域情感词典的特征表示方法在两种模型上都取得了良好的效果,并且超过其他情感词典。

基于细粒度词表示的命名实体识别研究下载：43 浏览：252

林广和1 张绍武1,2 林鸿飞1 《当代中文学刊》 2018年12期

摘要:

命名实体识别(NER)是自然语言处理中的一项基础任务,其性能的优劣极大地影响着关系抽取、语义角色标注等后续任务。传统的统计模型特征设计难度大、领域适应性差,一些神经网络模型则忽略了词本身所具有的形态学信息。针对上述问题,该文构建了一种基于细粒度词表示的端到端模型(Finger-BiLSTM-CRF)来进行命名实体识别任务。该文首先提出一种基于注意力机制的字符级词表示模型Finger来融合形态学信息和单词的字符信息,然后将Finger与BiLSTM-CRF模型联合进行实体识别,最终该方法以端到端、无任何特征工程的方式在CoNLL 2003数据集上取得了F1为91.09%的结果。实验表明,该文设计的Finger模型显著提升NER系统的召回率,从而使得模型的识别能力显著提升。

基于稀疏化双线性卷积神经网络的细粒度图像分类下载：382 浏览：395

马力1 王永雄2 《人工智能研究》 2019年8期

摘要:

针对双线性卷积神经网络(B-CNN)在细粒度图像分类中因参数过多、复杂度过高而导致的过拟合问题,提出稀疏化B-CNN.首先对B-CNN的每个特征通道引入比例因子,在训练中采用正则化方法对其稀疏.然后利用比例因子的大小判别特征通道的重要性.最后将不重要特征通道按一定比例裁剪,消除网络过拟合,提高关键特征的显著性.稀疏化B-CNN属于弱监督学习,可实现端到端训练.在FGVC-aircraft、Stanford dogs、Stanford cars这3个细粒度图像数据集上的实验表明,稀疏化B-CNN的准确率高于B-CNN,也优于或基本接近其它通用的细粒度图像分类算法.

基于FCN的图像感兴趣区域提取与细粒度分类的研究下载：80 浏览：501

戴志鹏《计算机研究与应用》 2019年9期

摘要:

近年来基于深度学习的细粒度分类是研究的热点,细粒度分类的主要方法是先找出分类对象再分类。找出分类对象的方法中主要分为两种:强监督与弱监督,强监督需要使用昂贵的人工标签,为了减少人工标注成本,提出一种基于FCN的图像感兴趣区域的分割与提取,并利用分割的图像进一步训练网络提高正确率。

细粒度图像识别与分类算法研究下载：63 浏览：832

宁枢麟刘洋梁顺利《信号处理与图像分析》 2024年2期

摘要:

针对深度学习常用人脸识别方法训练不易收敛、图像分辨率低影响大等问题，提出了一种基于通道注意力模块的多尺度特征融合残差神经网络(channel attetion multi-scale fusion)CAMF-ResNet。该方法基于残差块和softmax损失的人脸识别方法，改进了残差网络，利用特征金字塔提取不同层次的特征进行信息融合，并融合了不同尺度的特征，它可以获得更多的描述性信息，提高图像表示的性能。在端到端网络特征提取中，利用注意机制提取相应的高阶特征表示，得到描述能力强的图像表示。实验结果表明，该方法能有效解决深层网络退化和参数过多的缺陷，提高对细粒度图像判别性区域的精细化能力进而提高模型分类精度以获得更高描述性信息特征表示。

	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

	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