基于深度学习和支持向量机的文本分类模型

NLP(Natural Language Processing,自然语言处理)是人工智能领域的一个主要研究方向,而文本分类是NLP处理技术的重要分支。自然语言处理使计算机、手机等电子设备能够具有识别理解人类语言的能力,由于其自身的复杂性,目前仍有许多技术难点没有被完全攻克,主要包括不断产生的新词、中文词语的一词多义、自然语言的灵活性等问题。该文以期刊论文作为实验数据,研究中文文本分类问题,在传统卷积神经网络模型的基础上提出了一种基于卷积神经网络和支持向量机结合的文本分类模型CNNSVM(Convolutional Neural Network and Support Vector Machine Classifier)。相较于传统方法,CNNSVM增加了注意力机制,简化了模型参数,并使用基于支持向量机的分类器替代传统模型中的softmax层帮助实现文本的分类。实验结果显示,该模型提升了特征词语的提取效果,有效解决了softmax层泛化能力较弱的问题。

一种基于权重预处理的中文文本分类算法

文本分类是NLP(natural language processing,自然语言处理)处理技术的重要分支。信息检索、文本挖掘作为自然语言处理领域的关键技术,给人们的生活带来了许多便利,而文本分类正是这些关键技术开展的重要基础。文本分类作为自然语言处理研究的一个热点,其主要原理是将文本数据按照一定的分类规则实现自动化分类。目前常见的文本分类方式主要分为基于机器学习和基于深度学习两种,它们的本质是通过计算机自主学习从而提取文本信息中的规则来进行分类。针对数据量较小、硬件运算能力较低的应用场景,往往使用基于机器学习算法而衍生的文本分类模型。该文以期刊论文作为实验数据,研究中文文本分类问题,在改进传统词频算法的基础上提出了一种基于权重预处理的中文文本分类算法PRE-TF-IDF(pre-processing term frequency inverse document frequency)。传统词频算法在对词加权时仅考虑词的出现频率而不考虑词在文本中的位置;PRE-TF-IDF算法在TF-IDF(term frequency inverse document frequency)算法的基础上增加权重预处理和词密度权重两个环节。实验结果显示PRE-TF-IDF算法能够有效提高文本分类的准确性。

猪链球菌组氨酸三联体蛋白多抗的制备及Dot-ELISA检测方法的建立

目的建立一种猪链球菌的快速、简便检测方法。方法根据猪链球菌2型强毒株05ZYH33组氨酸三联体蛋白HtpsC蛋白基因序列设计特异性引物,将HtpsC蛋白基因克隆至原核表达载体pET-30a并转化至大肠杆菌BL21(DE3),经0.2 mmol/L IPTG、15℃条件下诱导表达HtpsC蛋白。经Ni-IDA纯化后免疫新西兰白兔获得抗血清,通过亲和层析纯化制备Anti-HtpsC多克隆抗体。在此基础上,建立检测猪链球菌的斑点酶联免疫吸附检验法(Dot-ELISA),进一步优化了检测条件,并对该方法的特异性和敏感性进行评价。结果通过原核表达成功制备了HtpsC蛋白。Western blot结果显示,制备的Anti-HtpsC多克隆抗体可特异性结合HtpsC蛋白。优化的最佳多抗使用浓度为2.5μg/mL,最佳酶标二抗稀释倍数为1∶3000。特异性试验结果表明,含HtpsC蛋白基因的多种血清型猪链球菌均可呈现清晰的黄褐色斑点,但不含该蛋白基因的9型猪链球菌除外。而其他对照菌株:大肠杆菌、沙门氏菌、金黄色葡萄球菌、单增李斯特菌、化脓性链球菌、无乳链球菌和粪肠球菌均无斑点出现。灵敏度试验结果表明,该方法的检测限为1×10^(6)CFU/mL。结论本研究建立的Dot-ELISA方法特异性强,灵敏度良好,可用于检测多种血清型猪链球菌。