【摘 要】
：
分析在线课程评论中蕴含的情感对理解学习者状态变化、改进课程质量具有重要意义。依据课程评论的特征,提出一种激活-池化增强的BERT情感分析模型。构建BERT情感分析预训练模型来编码评论文本中分句内词语上下文语义和分句间逻辑关系;设计激活函数层和最大-平均池化层解决BERT模型在课程评论情感分析中存在的过拟合问题;通过新增的情感分类层对在线课程评论进行情感正负极性分类。实验结果表明,激活-池化增强的B
【机 构】
：
广西师范大学职业技术师范学院,桂林电子科技大学广西可信软件重点实验室
【基金项目】
：
国家自然科学基金项目(61967005,61662013)。
论文部分内容阅读
分析在线课程评论中蕴含的情感对理解学习者状态变化、改进课程质量具有重要意义。依据课程评论的特征,提出一种激活-池化增强的BERT情感分析模型。构建BERT情感分析预训练模型来编码评论文本中分句内词语上下文语义和分句间逻辑关系;设计激活函数层和最大-平均池化层解决BERT模型在课程评论情感分析中存在的过拟合问题;通过新增的情感分类层对在线课程评论进行情感正负极性分类。实验结果表明,激活-池化增强的BERT模型准确率和AUC值与原始BERT模型相比分别提升了约5.5%和5.8%。
其他文献
传统模型在锂电池充电剩余时间预测中的泛化能力受到一定约束。针对此问题,提出一种基于独立长短期记忆循环神经网络(IndyLSTM)的锂电池充电剩余时间预测方法。通过对锂电池充电过程数据的分析,利用IndyLSTM在处理序列化数据时可以长期记忆历史数据的优势,对充电剩余时间进行预测。采用美国国家航空航天局(NASA)公开的电池数据,与常规的LSTM和SVR模型进行实验对比,IndyLSTM预测结果在准
摘 要 小组合作学习是幼儿学习的重要形式之一，对幼儿的个体成长、学习发展有着重要的促进作用。在幼儿美术教学课堂上引入小组合作学习实施教育活动，能够深化美术课堂的教育价值，更能够实现多样化的美术教学，让幼儿的综合能力得到更有效的提升。 关键词 幼儿园;美术活动;小组合作学习;策略 中图分类号：G612 文献标识码：A 文章编号：1002-7661（2019）16-0048-01 在《幼儿园教育
针对传统文本分类过程中词表示特征时不够全面、可解释性差的问题,提出一种基于词和事件主题的W-E CNN文本分类方法,并给出基于BTM的事件主题模型。将传统基于词的特征表示方法与事件主题特征表示方法进行拼接作为CNN的输入,丰富特征语义信息,提高了文本分类的准确性。实验分析可知,该方法的分类准确性在一定程度上要优于其他方法。
3D点云数据是一种不规则性数据,传统卷积神经网络无法直接对3D点云数据进行处理。对此,提出一种基于多尺度动态图卷积网络的3D点云分类模型。利用最远点采样方法采样3D点云数据集的代表点,降低模型计算复杂度;利用不同尺度的k最邻近节点聚合方式,对图中每一个中心节点的k最邻近节点进行定位;利用边卷积操作对中心节点及其邻接节点的局部属性特征进行提取与聚合用于分类。实验表明,该模型在3D点云分类准确度上,达
在标题自动生成任务中,BiLSTM表示文本是随着时间循环递归对每个单词进行编码,需要逐字读取单词序列,语义信息会随着状态的传递不断减弱。对此,构建一个句子级LSTM的编码器,并行对文本中每个单词编码表示。循环步骤同时对单词之间的局部状态和整体文本的全局状态进行信息交换,编码得到语义表示后使用混合指针网络的解码器生成标题。在相关数据集上进行实验,结果验证了该模型在标题生成任务上的有效性。
针对Word2vec等静态词向量模型对于每个词只有唯一的词向量表示,无法学习在不同上下文中的词汇多义性问题,提出一种基于动态词向量和注意力机制的文本情感分类方法。在大型语料库上利用深度双向语言模型预训练通用词向量;在情感分类任务的训练语料上对向量模型进行微调,得到最终的上下文相关的动态词向量作为输入特征;搭建双向长短期记忆网络模型,并引入注意力机制以提高特征提取的准确性。实验结果表明,该方法在IM
以往的情感分类大多集中在单模态上,然而多模态的情感信息之间往往具有互补性,针对目前使用单模态做情感分类不能全面捕捉情感语义且存在忽视具有重要特征的情感信息等问题,提出一种基于注意力机制的TAI-CNN图文跨模态情感分类方法。构建TCNN文本情感分类模型和ICNN图像情感分类模型,采用最大值图文决策级融合方法来构建图文跨模态情感分类模型。实验证明,图文跨模态情感分类方法能够充分利用图像和文本的情感互
专利的功能信息对专利规避及创新具有重要意义。为了完成对专利基于功能的聚类,提出一种面向功能信息的相似专利动态聚类混合模型。该模型筛选功能信息句,运用双向长短期记忆网络联合注意力机制、卷积神经网络、改进的权值主题模型抽取专利文本的序列特征、文本嵌入特征、主题特征,同时加入功能词语关注部分,采用并行融合的方式提取特征。将所有特征表示作为聚类的输入,聚类结果作为反馈信息实现动态聚类。选取无机化学类方面的