【摘 要】
：
随着自然语言处理技术的不断发展,人们开始利用神经网络搭建人和机器之间的沟通桥梁—情感分析。已有的方法已经无法满足精细化分类的需求,研究者们开始追求细粒度更高的方面级情感分析技术,但是分析结果的准确度和时间成本一直以来都差强人意。本文针对方面级情感分析存在的一系列问题展开相关研究,本文的主要工作内容如下:（1）本文提出一种基于层次神经网络的方面级情感分析模型,利用双向LSTM对文本信息进行处理,同时
论文部分内容阅读
随着自然语言处理技术的不断发展,人们开始利用神经网络搭建人和机器之间的沟通桥梁—情感分析。已有的方法已经无法满足精细化分类的需求,研究者们开始追求细粒度更高的方面级情感分析技术,但是分析结果的准确度和时间成本一直以来都差强人意。本文针对方面级情感分析存在的一系列问题展开相关研究,本文的主要工作内容如下:（1）本文提出一种基于层次神经网络的方面级情感分析模型,利用双向LSTM对文本信息进行处理,同时引入注意力机制对方面词和文本之间的关系进行建模,以此来获取输入文本的全局特征,从而“筛选”出文本中的情感词,再进行分析。此外,为了解决数据量较小和数据集难以获取的问题,我们引入迁移学习作为工具,构造一个简单预训练模型让模型在大规模文档数据集上学习语义知识,再将获得的参数引入正式训练模型,在四个公开数据集上的实验结果证明了该方法的提升效果。（2）现有的方面级情感分析方法忽略了文本和方面自身词与词之间的依赖关系,但是在方面情感分析中,上下文之间的联系是非常关键的,因为句子其中包含着情感主体和情感倾向。针对这一问题,本文提出了多重注意力融合模型（Multiple Attention Fusion,MAF）,引入自注意力机制,将文本自注意力,方面词自注意力和方面词相对文本的注意力结合起来,以此来获取文本的全局和局部特征。相比于其他同类研究,我们的模型在已有的公共数据集上均取得了提升效果,实验表明本文提出的多重注意力模型是有效的。
其他文献
作为人机语音交互的出口,语音合成的效果直接影响到人机交互的体验。一个高质量的、稳定的语音合成系统能够让机器更加地拟人化,使人机交互过程更加自然。目前,大多数很多优秀的致力于提高中性语音成的质量的TTS模型已经被提出,例如Tacotron2和Wave Net。但这些模型大多数使用的是RNN或者LSTM作为编码器和解码器,这种自回归的结构导致这些模型在训练和预测时很慢。此外,随着智能化语音合成系统的不
可变形卷积网络在计算机视觉任务中被广泛使用,在目标检测、语义分割、目标分类以及视频动作检测等多种领域中都展现出良好的性能。在可变形卷积网络中传统的卷积层和可变形卷积层都是计算复杂度的主要来源。然而现有的神经网络加速器主要集中于传统卷积层的优化加速任务,对于可变形卷积层的关注却很少。目前的研究工作中,一种较为常见的做法是通过修改算法,使可变形卷积算法适合在硬件上映射,但是这样的做法或多或少会使得可变
近年来,深度学习方法在计算机视觉领域取得了卓越的进展。然而,这些成就大都依赖于大量的标注样本,当训练样本不足时,深度学习很难发挥作用。为了解决深度模型在小样本情况下的学习问题,小样本学习被提出,旨在通过很少量的标注样本来学习到一个优秀的分类器。由于这一特性,小样本学习逐渐成为视觉识别中的一个受关注的领域。小样本学习的基本思想是从大规模数据集上学习可迁移的知识,并通过这些知识来帮助模型快速地学习到目
交通事故对道路交通安全造成了极大的威胁与挑战,分析事故成因模式对于减少事故发生数量,降低事故所造成的损失起到了积极作用。由于道路交通系统固有的复杂性,常见的自动化算法会显得不够灵活。可视分析通过交互的方式将领域专家的专业知识引入分析流程中,通过将机器智能与人类智能相结合的方式,提高了分析结果质量和效率。因此本文提出将道路交通专家的领域知识与机器智能通过可视分析方法结合至一起,迭代式优化分析结果的方
水下无线传感器网络作为一种探索和开发海洋的新方法,在人类不易接触的水下区域的探测和监测中发挥着重要作用。水下无线传感器网络已广泛用于海洋信息收集,地质灾害预防,资源勘探和军事监测等许多领域,是无线传感器网络领域研究的热点之一。在水下空间中传感器节点如何自主调整位置实现对目标事件的覆盖和监视是一个重要课题,它为网络拓扑、目标监测、数据路由等应用领域提供支持,是决定水下无线传感器网络服务质量和工作效能
图像分割是图像处理领域和计算机视觉领域中的关键技术之一。活动轮廓模型分割法因在医学图像等复杂图像的分割中取得了较好的分割效果而被广泛应用。医学图像大多为灰度不均的且含噪声的图像,基于区域的局部二值拟合活动轮廓模型有效解决了该类型图像的分割问题,但该模型中存在水平集函数演化效率低、分割效果易受噪声影响以及初始轮廓敏感等问题。本文针对以上问题进行改进并做出仿真,具体工作如下:1.针对模型分割效率低和易
目标检测是计算机视觉领域里一项十分重要的任务,在交通、医疗、国防等领域有广泛的应用。深度学习的引入使得目标检测算法获得了巨大的进步,目前基于深度学习的目标检测算法在精确度与速度上已经大幅超越传统算法,成为本领域的主流。本文针对目标检测算法所存在的一些困难,在经典的一阶段目标检测算法SSD的基础之上,进行了一系列的研究工作。本文的主要内容如下:目标检测任务是一种多尺度的任务,使用来自网络中不同深度的
由于时代的进步,遥感领域的科研技术也逐渐成熟,人类通过各类遥感卫星获取大量影像数据变得轻而易举。其中合成孔径雷达（Synthetic Aperture Radar,SAR）和可见光影像应用领域非常之广,尽管两者间灰度值区别很大,可它们均有自身的特性。可见光影像成像机理为光反射成像,依赖光源,所以该影像具备大量的光谱信息与细节信息,直观效果很好。SAR影像的成像机理为主动微波式成像,对桥梁、房屋等建
目标检测能够快速地从图片或视频中捕捉到感兴趣的目标,并输出目标的种类和目标的位置。作为计算机视觉的重要分支,它是人脸识别、目标跟踪等算法的基础性算法,一直是计算机视觉领域研究的热点。随着目标检测的技术的成熟,它的应用已经普及到生产和生活的许多领域,如交通、医疗、安防等领域。现如今,得益于GPU计算能力不断的提升和深度学习的快速发展,深度学习方法的优越性在许多领域得到体现。计算机视觉领域因深度学习的
高光谱图像包含大量的光谱波段,它是一种同时结合光谱信息和空间信息的三维图像数据。在现实生活中,高光谱图像可以应用到许多领域。例如:在农产品的检测中有助于种类识别;对地表建筑物的分类有助于城市管理;对病理图像的识别可用于疾病监控;对军事地图的分类能应用于国防建设。因此提出新颖高效的高光谱图像分类方法能够在众多领域中发挥重要的作用。为了提升高光谱图像分类的精确性,需要解决其高维度和样本少的困难。而深度