公共文化服务平台

华南师范大学软件学院: 作品数：235 被引量：612H指数：11; 相关作者：许烁娜邱双惠葛文秀罗笑玲林琼更多>>; 相关机构：华南理工大学机械与汽车工程学院广东工业大学自动化学院广州城市职业学院艺术设计系更多>>; 发文基金：国家自然科学基金广东省自然科学基金广州市科技计划项目更多>>; 相关领域：自动化与计算机技术文化科学电子电信医药卫生更多>>

合作机构

结合语法增强与噪声削减的方面级情感分析模型被引量：1: 2024年; 方面级情感分析的主要目标是判断句子中给定方面词的情感极性。最近的研究主要采用依存句法信息,隐式地关联方面词与目标词之间的情感交互信息。但结合依存句法信息方法,缺乏识别以方面词为中心的局部上下文信息。此外,对繁杂的语法信息进行等价建模,会引入损害模型性能的噪声。针对以往研究中存在的问题,提出了结合语法增强与噪声削减的神经网络模型。该方法在依存句法信息基础上融合了成分信息,使模型不仅能关注词与词之间的全局依赖信息,同时能关注以方面词为中心的局部依赖信息。同时,为了降低语法信息的噪声干扰,模型以依存句法树的距离信息为依据,弱化了远距离的噪声干扰。最后,模型在四个基准数据集上进行了实验,并在所有数据集上的性能都优于基线模型。; 汪红松李嘉展叶浩贤陶然; 关键词：位置信息

基于预训练模型和基础词典扩展的酒店评论情感分析被引量：6: 2022年; 本文主要针对酒店领域的评论信息进行情感分析,研究用户对于酒店配置、服务等方面的态度,以便为酒店提高个性化服务质量提供一定的帮助.本文基于BiLSTM神经网络构建预训练模型进行实验,同时与传统的机器学习算法进行比较,实验结果显示,相较于朴素贝叶斯,支持向量机的分析准确率更为稳定,而利用预训练模型进行预测的精确率相比前两者有小幅度的提高;同时以基础词典为主体,构建适用于酒店评论的扩展情感词典,对否定词的权重进行了弱化处理,减小对带有相反含义语句的分类效果的影响,将基础词典与扩展词典对获取的同一语料进行情感分类,比较二者的结果表明采用扩展词典进行正向分类的准确率为86%,负向分类的准确率为84%,结果显示扩展词典分类比基础词典的分类效果更好.; 丁美荣冯伟森黄荣翔罗嘉俊; 关键词：情感分析情感词典支持向量机自然语言处理

基于多头自注意力的自动睡眠分期模型: 2024年; 睡眠分期在睡眠监测和睡眠质量评估中意义重大,高精度的睡眠分期能够辅助医师在临床诊断上正确评估睡眠情况.尽管现有的自动睡眠分期研究已经取得了相对可靠的准确率,但是仍存在着需要解决的问题:(1)如何更加全面地提取患者的睡眠特征.(2)如何从捕捉到的睡眠特征中获得有效的睡眠状态转换规则.(3)如何有效利用多模态数据提升分类准确率.为了解决上述问题,本文提出了基于多头自注意力的自动睡眠分期网络.为了提取EEG和EOG各自在睡眠阶段中的模态特点,该网络采用双流并行卷积神经网络结构来分别处理EEG和EOG原数据.此外,模型使用由多头自注意力模块和残差网络构成的上下文学习模块来捕捉序列的多方面特征,学习序列之间的关联性和重要性.最后模型利用单向LSTM来学习睡眠阶段的过渡规则.睡眠分期实验结果表明,本文提出的模型在Sleep-EDF数据集上的总体准确率达到85.7%,MF1分数为80.6%,且其准确率和鲁棒性优于现有的自动睡眠分期方法,对自动睡眠分期研究有一定价值.; 魏婉欣朱嘉鹏郑景仁潘家辉; 关键词：多模态卷积

社交化在线课程平台学习者交互行为研究: 随着在线学习的快速发展，针对学习者交互行为的相关研究成为学术界重点关注的热门话题。该研究采用案例研究法，以学者网上一门具体课程为例，通过采集线上交互数据和线下学习者真实成绩进行社会网络分析和相关性分析，最后根据分析结果得...; 廖芷源汤志康李春英汤庸潘家辉; 关键词：交互行为社会网络分析中心性分析

面向学术社交网络的多维度团队推荐模型被引量：10: 2016年; 学术社交网络的出现改变了传统的科研方式,对于如何基于学术社交网络为学者进行团队个性化推荐进行了研究,提出了一种多维度潜在团队推荐模型(multi-faceted team recommendation,MFTR)。该模型首先通过投影梯度非负矩阵分解方法提取团队和用户的特征向量,并根据两者的特征向量计算其相似度,然后再融合用户的社交好友关系和热门团队信息来为用户推荐具有相似研究兴趣的潜在团队。最后在真实学术社交网站——学者网的数据上进行实验,结果表明该模型能有效地提高推荐的准确度,并缓解了冷启动问题。; 袁成哲曾碧卿汤庸王大豪曾惠敏; 关键词：非负矩阵分解多维度

改进GL-GIN的多意图识别和槽填充联合模型: 2023年; 在当前自然语言处理多意图识别模型研究中,存在建模方式均为从意图到插槽的单一方向的信息流建模,忽视了插槽到意图的信息流交互建模研究,意图识别任务易于混淆且错误捕获其他意图信息,上下文语义特征提取质量不佳,有待进一步提升等问题.本文以当前先进的典型代表GL-GIN模型为基础,进行优化改进,探索了插槽到意图的交互建模方法,运用槽到意图的单向注意力层,计算插槽到意图的注意力得分,纳入注意力机制,利用插槽到意图的注意力得分作为连接权重,使其可以传播和聚集与意图相关的插槽信息,使意图重点关注与其相关的插槽信息,从而实现多意图识别模型的双向信息流动;同时,引入BERT模型作为编码层,以提升了语义特征提取质量.实验表明,该交互建模方法效果提升明显,与原GL-GIN模型相比,在两个公共数据集(MixATIS和MixSNIPS)上,新模型的总准确率分别提高了5.2%和9%.; 邓飞燕陈壹华陈禧琳李杰鸿

基于多面部特征融合的驾驶员疲劳检测算法被引量：11: 2018年; 本文将卷积神经网络(Convolutional Neural Network, CNN)应用到视频理解中,提出一种基于多面部特征融合的驾驶员疲劳检测算法.本文使用多任务级联卷积网络(Multi-Task Cascaded Convolutional Networks,MTCNN)定位驾驶员的嘴部、左眼,使用CNN从驾驶员嘴部、左眼图像中提取静态特征,结合CNN从嘴部、左眼光流图中提取动态特征进行训练分类.实验结果表明,该算法比只使用静态图像进行驾驶员疲劳检测效果更好,准确率达到87.4%,而且可以很好地区别在静态图像中很相似的打哈欠和讲话动作.; 刘炜煌钱锦浩姚增伟焦新涛潘家辉; 关键词：光流计算机视觉

融合多特征的分段卷积神经网络对象级情感分类方法: 2021年; 对象级情感分类旨在判断句子中特定对象的情感极性类别。在现有基于卷积神经网络的研究中,常在模型的池化层采用最大池化操作提取文本特征作为句子表示,该操作未考虑由对象所划分的上下文,因此无法得到更细粒度的对象上下文特征。针对该问题,该文提出一种融合多特征的分段卷积神经网络(multi-feature piecewise convolution neural network,MP-CNN)模型,根据对象将句子划分为两个部分作为上下文,并在池化层采用分段最大池化操作提取上下文特征。此外,该模型还将有助于情感分类的多个辅助特征融入其中,如词的相对位置、词性以及词在情感词典中的情感得分,并通过卷积操作计算词的注意力得分,有效判断对象的情感极性类别。最后在SemEval 2014数据集和Twitter数据集的实验中,取得了较基于传统机器学习、基于循环神经网络以及基于单一最大池化的卷积神经网络分类模型更好的分类效果。; 周武曾碧卿徐如阳杨恒韩旭丽程良伦; 关键词：卷积神经网络

基于多任务和自注意力机制的文本微情感分析研究: 2023年; 基于多任务和自注意力机制的文本微情感分析研究,旨在挖掘句子中涉及的(4分类、7分类、28分类)的情感,特别是挖掘句子在28分类中的微情感。现有的文献大多仍集中于粗粒度(4分类)的情感研究。而对于7分类、尤其是28分类的微情感研究极少。为了解决上述问题,并且弥补国内对于微情感(28分类)方面研究的空白,论文提出了基于多任务和自注意力机制的微情感分析模型,即通过对4分类、7分类和28分类的三个情感分析任务同时处理,以其中某一个任务为主任务(给予0.9的权重),另外两个任务作为辅助任务(分别给予0.05的权重),并共享三个任务的网络权重,以达到提升主任务模型的目标。通过实验证明,对多个相关联的不同粒度的任务进行编码层的网络共享,能够提高模型对于句子的文本特征提取能力,从而提高模型对于句子的情感识别精度,尤其是在细粒度(微)情感分类任务中。; 杨健豪曾碧卿邓会敏裴枫华姚博文; 关键词：多任务自然语言处理

基于双层注意力循环神经网络的方面级情感分析被引量：27: 2019年; 在方面级情感分析中,常用的方法是将循环神经网络和注意力机制结合,利用注意力获取序列中不同单词的重要程度,但这并不能获取不同句子的重要程度,仅仅依赖单层注意力难于获取深层次情感特征信息。为了解决上述问题,该文提出一种基于双层注意力循环神经网络模型。通过双层注意力分别对单词层和句子层进行建模,捕获不同单词和不同句子的重要性,利用双向的循环神经网络获取更多的序列上下文依赖信息。情感特征信息具有重要性,但在深层神经网络中却未被充分利用。因此,该文将方面、词性信息和位置信息作为模型的辅助信息,进行更深层次情感特征信息学习,有效识别不同方面的情感极性。该方法与IAN模型相比,在SemEval 2014中的Restaurant数据集和Laptop数据集上进行实验,分类准确率分别提升了2.0%和5.2%。在与TD-LSTM模型对比中,Twitter数据集的分类准确率提升了1.7%。; 曾锋曾碧卿韩旭丽张敏商齐; 关键词：注意力

华南师范大学软件学院

合作机构

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

华南师范大学软件学院

合作机构

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈