【摘 要】
：
Aspect-BasedSentimentClassification(ABSC)属于细粒度情感分析任务之一,旨在发现实体方面(Aspect)相关的情感倾向.本论文中提出一种基于胶囊网络的模型:MADC(Model based o
【机 构】
：
昆明理工大学 信息工程与自动化学院,昆明650500昆明理工大学 云南省人工智能重点实验室,昆明650500;云南南天电子信息产业股份有限公司,昆明650500;昆明理工大学 信息工程与自动化学院,昆
论文部分内容阅读
Aspect-BasedSentimentClassification(ABSC)属于细粒度情感分析任务之一,旨在发现实体方面(Aspect)相关的情感倾向.本论文中提出一种基于胶囊网络的模型:MADC(Model based on Asp-Routing and Doc-Routing Capsule),通过迁移模型将文档级别的特征和语义信息用于方面级情感分析中,针对文档级别和句子级别的的任务,分别使用了基于注意力机制的Asp-Routing和Doc-Routing动态路由方法,加强了句子级别任务情感分析的可信度.为了让模型识别特定领域词向量的语义信息,文章使用双嵌入词向量加位置信息的表示方法,通过卷积神经网络抽取特征作为胶囊网络的输入,再使用两层动态路由算法使网络共享迁移学习的特征胶囊和主胶囊,最后针对不同的任务使用不同的类胶囊输出向量对方面情感或文档级别情感作出极性预测.文章通过在数据集上与多个框架的对比论证了模型的有效性.
其他文献
本文提出了一种步态质量的主元量化评定方法，将步态检测得到的原始数据分类形成指标体系，按照主元分析方法将指标进行归一化量化处理、计算，提出综合评定指标，然后用公式和图表方
为平衡高维目标优化问题在进化过程中收敛性与多样性的冲突,本文提出基于两阶段分配策略的高维目标协同进化算法.首先,利用参考向量将种群进行分组,划分为若干个子种群,在进
针对低剂量计算机断层扫描将导致扫描图像噪声高的问题,本文提出了一种用于图像降噪的多生成器的生成对抗网络(TriGAN)模型.首先提出了三个生成器的并行结构对不同类型噪声进行有针对性的图像降噪;其次引入残差网络,避免梯度消失等问题,保证训练阶段的稳定和高效;最后,利用谱归一化方法解决生成对抗网络在训练过程中可能出现的模式坍塌和慢收敛的问题.实验结果表明,TriGAN和其他深度学习模型DnCNN和GA
近年来研究人员在人脸识别与验证领域取得了巨大成就,尽管现有人脸验证算法已经取得了很好的成绩,但是由于化妆会改变面部图像的局部纹理信息,依旧给人脸验证带来了极大的挑战,针对此问题,本文提出了一种新的人脸验证的框架.设置两个残差网络用于提取带妆面部图像和不带妆面部图像的特征,同时在两个残差网络[1]的特征空间中引入一个判别器,判别器可以鉴别输入的特征向量是来自于哪一个残差网络,通过协同训练两个残差网络
基于分解的多目标进化算法(MOEA/D)是将多目标优化问题分解为若干个简单子问题进行并行求解的方法.然而MOEA/D对不同子问题均采用固定邻域求解,这不利于算法在邻域范围内选择
目前,在关系抽取和分类任务中,通过将卷积神经网络和循环神经网络与注意力机制相结合的深度学习技术,一直以来都是主流和最佳的解决方法.最近提出的BERT(Bidirectional Encod