方面级情感分类是自然语言处理研究领域的一个热点问题,旨在分类出文本中不同方面的情感.目前,大多数深度神经网络情感分类模型都采用均值注意力机制,这导致情感词不能有效获得相应权重的问题.为此,提出一种基于对抗学习的自适应加权方...方面级情感分类是自然语言处理研究领域的一个热点问题,旨在分类出文本中不同方面的情感.目前,大多数深度神经网络情感分类模型都采用均值注意力机制,这导致情感词不能有效获得相应权重的问题.为此,提出一种基于对抗学习的自适应加权方面级情感分类模型AWSCM(Adaptive Weighted aspect-level Sentiment Classification Model based on adversarial learning),旨在自适应地学习文本权重.首先,将训练文本预处理成方面词、句子、句子对形式的输入,通过BERT对输入编码.然后,通过对抗学习算法和训练文本计算扰动生成对抗样本.最后,通过注意力机制提取训练文本和对抗样本编码后的深层文本特征和自适应权重,再进行联合学习.实验结果表明,和大多数深度神经网络情感分类模型相比,AWSCM能提升情感分类的准确性.同时,通过消融实验,证明了AWSCM结构设计的合理性.展开更多
方面级情感分类是一种细粒度的情感分析任务,旨在分析出文本不同方面的情感.针对方面级情感分类模型存在分类精度低、泛化性弱等问题,提出基于对抗学习的AOA-BERT方面级情感分类模型(Attention-Over-Attention-BERT for aspect-level se...方面级情感分类是一种细粒度的情感分析任务,旨在分析出文本不同方面的情感.针对方面级情感分类模型存在分类精度低、泛化性弱等问题,提出基于对抗学习的AOA-BERT方面级情感分类模型(Attention-Over-Attention-BERT for aspect-level sentiment classification model based on adversarial learning,AOA-BERT).首先,将文本和方面词单独建模,通过BERT编码提取隐含层特征.其次,将隐含层特征放入AOA(Attention-Over-Attention)网络提取权重向量.最后,将权重向量与建模后的文本特征向量相乘,并做交叉熵损失、回传参数.此外,通过对抗学习算法生成和学习对抗样本,作为一种文本数据增强方法,优化决策边界.实验结果表明,和大多数深度神经网络情感分类模型相比,AOA-BERT能提升情感分类的准确性.同时,通过消融实验,证明了AOA-BERT结构设计的合理性.展开更多
根据混合动力客车锂离子动力电池组单体只数多、分布比较分散的特点,设计了基于双 CAN 总线的分布式电池管理系统(BMS)。该系统由若干采样模块和一个主控模块组成,与动力电池之间的连线数量少,可扩展性强,而且采用复杂可编程逻辑器件(CP...根据混合动力客车锂离子动力电池组单体只数多、分布比较分散的特点,设计了基于双 CAN 总线的分布式电池管理系统(BMS)。该系统由若干采样模块和一个主控模块组成,与动力电池之间的连线数量少,可扩展性强,而且采用复杂可编程逻辑器件(CPLD)技术实现了串联电池组单体电压的采样方法,实现了温度的低成本采样方法,建立了基于"预测-修正"方法的动力电池荷电状态(SOC)的估算方法,可以实时地修正 SOC估计的误差和可靠地实现对动力电池运行时状态参数的监测,提高电池 SOC 的估算精度。展开更多
文摘方面级情感分类是自然语言处理研究领域的一个热点问题,旨在分类出文本中不同方面的情感.目前,大多数深度神经网络情感分类模型都采用均值注意力机制,这导致情感词不能有效获得相应权重的问题.为此,提出一种基于对抗学习的自适应加权方面级情感分类模型AWSCM(Adaptive Weighted aspect-level Sentiment Classification Model based on adversarial learning),旨在自适应地学习文本权重.首先,将训练文本预处理成方面词、句子、句子对形式的输入,通过BERT对输入编码.然后,通过对抗学习算法和训练文本计算扰动生成对抗样本.最后,通过注意力机制提取训练文本和对抗样本编码后的深层文本特征和自适应权重,再进行联合学习.实验结果表明,和大多数深度神经网络情感分类模型相比,AWSCM能提升情感分类的准确性.同时,通过消融实验,证明了AWSCM结构设计的合理性.
文摘方面级情感分类是一种细粒度的情感分析任务,旨在分析出文本不同方面的情感.针对方面级情感分类模型存在分类精度低、泛化性弱等问题,提出基于对抗学习的AOA-BERT方面级情感分类模型(Attention-Over-Attention-BERT for aspect-level sentiment classification model based on adversarial learning,AOA-BERT).首先,将文本和方面词单独建模,通过BERT编码提取隐含层特征.其次,将隐含层特征放入AOA(Attention-Over-Attention)网络提取权重向量.最后,将权重向量与建模后的文本特征向量相乘,并做交叉熵损失、回传参数.此外,通过对抗学习算法生成和学习对抗样本,作为一种文本数据增强方法,优化决策边界.实验结果表明,和大多数深度神经网络情感分类模型相比,AOA-BERT能提升情感分类的准确性.同时,通过消融实验,证明了AOA-BERT结构设计的合理性.