【摘 要】
：
近年来，深度学习技术在文本情感分析领域的可行性和实用性日趋升高。针对卷积神经网络CNN具有特征强学习能力，善于提取文本的空间局部特征，但忽略其上下文语义联系；而循环神经网络RNN善于学习序列信息，但存在易丢失记忆信息、忽略上下文非连续词之间相关性和梯度爆炸等问题。提出了一种基于注意力机制的多通道卷积和双向门控循环神经网络模型(MC-BiGRU-Att)用于文本情感分类任务。两种模型分别学习获取文本
论文部分内容阅读
近年来，深度学习技术在文本情感分析领域的可行性和实用性日趋升高。针对卷积神经网络CNN具有特征强学习能力，善于提取文本的空间局部特征，但忽略其上下文语义联系；而循环神经网络RNN善于学习序列信息，但存在易丢失记忆信息、忽略上下文非连续词之间相关性和梯度爆炸等问题。提出了一种基于注意力机制的多通道卷积和双向门控循环神经网络模型(MC-BiGRU-Att)用于文本情感分类任务。两种模型分别学习获取文本不同细粒度和上下文联系两种特征信息，提升了情感特征表示的丰富性和全面性，同时添加注意力作为辅助机制，重点
其他文献
随着传感器技术和航空遥感技术的不断进步，遥感影像的质量和数量也得到了极大地提高，而遥感影像中的目标检测是理解和分析遥感影像所面临的一个基本问题。针对神经网络在遥感影像小目标检测任务中难以提取足够多的有效特征、遥感小目标易受云雾遮挡等问题，提出了一种基于仿真图像模板匹配的方法，通过特征融合的方式成功地将该方法应用于遥感影像小目标检测任务。成像仿真技术生成的仿真图像包含了更多的遥感小目标特征，如几何形
针对基于人工设计特征的方法不能提取高层次遥感图像信息以及以往利用VGGNet、ResNet等卷积神经网络(CNN)无法关注到遥感图像中显著分类特征的问题，提出了一种基于有效通道注意力(ECA)机制的遥感图像场景分类新模型——ECA-ResNeXt-8-SVM。为了建立高效模型，一方面，设计并搭建嵌入ECA模块的深度特征提取网络ECA-ResNeXt-8，通过端到端的学习使网络更关注分类特征明显的通
针对个性化推荐精度较低、对冷启动敏感等问题，该文提出一种融合多权重因素的低秩概率矩阵分解推荐模型。模型利用给定的社交网络构建信任网络，借助Page rank算法和信任传递机制求取用户间信任度；基于Page rank计算用户社会地位，利用活动评分和评分时间修正用户间关系权重；引入词频-逆文本频率技术(Term Frequency-Inverse Document Frequency, TF-IDF)
次重力波激发的长周期脉动是高精度绝对重力测量的一个重要误差影响因素。本文基于中国计量科学研究院昌平院区的超导重力仪iGrav-012和北京地震台网斋堂台站BVS-120型甚宽频带数字地震计数据，定义无台风无地震、有台风无地震、无台风有地震和有台风有地震四个特征时段，基于正交镜像滤波分析，以提取相关的规律性结论。分析结果表明：0-0.03Hz频率范围的超导重力仪数据表现出与地震和台风不相关的日变形态
川藏铁路是我国正在规划的具有重大战略意义和巨大经济价值的铁路，其位于地形地貌和地质构造极为复杂的青藏高原中东部，铁路规划建设面临着一系列迫切需要解决的地质问题和工程问题。为了精准对接铁路定测与先期开工段的地质需求，进一步聚焦活动断裂及高位滑坡地质灾害这两个重要科学问题，开展了对川藏铁路康定-昌都段毛垭坝盆地理塘-德巫断裂及乱石包高速远程滑坡体的浅层地震勘探，取得了一些新的认识。理塘断裂往毛垭坝盆地
由于GRACE时变重力位系数中高阶次项存在较大的误差，奇（偶）项阶数之间存在着相关性误差，直接利用GRACE时变重力场模型数据反演地表质量变化时，会使结果出现严重的条带噪声，必须采用最佳滤波函数进行空间平滑。本文从滤波理论出发，依据信噪比最大准则和模拟误差比较分析了不同滤波方法的优缺点，并以华北平原为例进行了数值分析。实验表明，各向异性滤波处理结果优于各项同性滤波；去相关滤波中PnMl方法处理结果
点云配准是计算机视觉领域的研究热点。物体的形状是描述物体的重要方式，机器视觉中想要描述物体形状上的差异需要通过特定的方法对特征进行提取形成能够描述形状的特征描述子。提出了一种基于二次误差的特征描述子，该特征描述子具有旋转不变性。通过提取点的二次误差和邻域点二次误差得到两种特征描述子。基于高斯混合模型的点云配准算法层出不穷，主要原因是概率模型在噪声和离群值方面具有更好的鲁棒性，然而该类方法对于尺度较
新一代空间科学任务,如空间站光学原子钟计划、广域量子通信、精细结构常数测量、引力红移测量及深空探测等,提出了皮秒量级的时间比对要求,需要基于广义相对论建立更加准确的卫星坐标时计时与时间比对模型.本文从地心非旋转坐标系(geocentric celestial reference system, GCRS)的广义相对论度规张量出发,建立了广义相对论下卫星轨道方程.在此基础上,考虑轨道摄动的影响,建立
解耦表征学习旨在对影响数据形态的关键因素进行建模，使得某一关键因素的变化仅仅引起数据在某项特征上的变化，而其他的特征不受影响，这有利于应对机器学习在模型可解释性、对象生成和操作以及零样本学习等问题上的挑战，一直是机器学习领域的研究热点。从解耦表征学习的历史与动机入手，对解耦表征学习的研究现状以及应用进行归纳总结，分析了解耦表征所具有的不变性、复用性等特性，介绍了基于生成解耦表征变差因素研究、基于流
现有新闻推荐模型在挖掘新闻特征和用户特征时，往往没有考虑所浏览新闻之间的关系、时序变化以及不同新闻对用户的重要性，缺乏全面性；同时，现有模型也在新闻更细粒度的内容特征挖掘方面有欠缺。文中构建了一个能够全面而不冗余地进行用户表征、提取新闻更细粒度片段特征的新闻推荐模型——注入注意力机制的深度特征融合新闻推荐模型。该模型采用基于深度学习的方法，通过注入注意力机制的卷积神经网络对新闻文本特征矩阵进行深度