高等教育中人工智能应用的风险研究

人工智能技术正在推动高等教育进行现代化教育变革。人工智能在高等教育中的应用聚焦于学生的“学”、教师的“教”和学校的“治”三个方面。本文首先对人工智能技术在高等教育中的应用现状进行分析;之后探究教育人工智能当前发展仍存在的使用者主体问题、算法与偏见问题以及安全问题;最后基于目前存在的问题,结合人工智能技术与高等教育现代化变革的需求,提出人工智能精准赋能高等教育的建议,从而实现人工智能应用助推高等教育改革的目标。

结合自注意力机制和Tree-LSTM的情感分析模型

情感分析随着人工智能的发展而逐渐受到重视,微博情感分析旨在研究用户对于社会热点事件的情感倾向,研究表明深度学习在情感分析上具有可行性.针对传统循环神经网络模型存在信息记忆丢失、忽略上下文非连续词之间的相关性和梯度弥散的问题,为此本文结合自注意机制和Tree-LSTM模型,并且在Tree-LSTM模型的输出端引入了Maxout神经元,基于以上两种改进基础上构建了SAtt-TLSTM-M模型.实验使用COAE2014评测数据集进行情感分析,实验结果表明:本文提出的模型相比于传统的SVM、MNB和LSTM模型准确率分别提高了16.18%、15.34和12.05%,其中引入了Maxout神经元的RMNN模型相对于LSTM模型准确率提高了4.10%,引入自注意力机制之后的Self-Attention+Tree-LSTM模型相比于Tree-LSTM模型准确率提高了1.85%,并在召回率和F值两项指标上均优于其他对比模型.由此证明,本文提出的SAtt-TLSTM-M模型可用于提高情感分析的准确率,具有一定的研究价值.

面向短文本情感分析的多特征融合方法研究

近年来,深度学习技术被广泛应用于文本情感分析任务中.目前,大量的研究使用不同类型的神经网络从文本词向量中学习和提取情感特征.针对单一文本词向量无法全面表示文本中的情感特征信息,并且难以有效捕获文本和标签之间的联系,提出了一种基于多特征融合的短文本情感分析模型,该模型针对短文本自身特性构建多种情感特征组合(词特征+情感符号特征+词性特征、词特征+情感符号特征、情感标签特征)形成多输入矩阵,接着将其输入到多通道卷积神经网络(multichannel convolutional neural netw orks,M CNN)中提取情感特征,最后完成情感分类,整个模型简称M F-M CNN(M ulti-feature Fusion based on M CNN).M F-M CNN能够从多特征矩阵中学习到句子更全面的情感信息,情感分类能力得到有效提升.M F-M CNN模型在SemEval2017数据集(英文)和NLPCC2014数据集(中文)上完成与传统分类器和目前先进的模型共7种模型的对比,实验结果证明MF-MCNN具有更高的准确率和较低的训练时间代价.

石油石化油水乳状液稳定性表征方法研究进展

高乳化油水混相液体存在于石油开采、运输、加工以及污染治理等多个生产环节,深入认识乳化稳定性以及混相中各组分对稳定体系的作用机制,对开发经济、高效、清洁的破乳分离方法具有重要意义。本文总结了常用的油水乳化液稳定性判定依据,系统梳理了乳化混相中各类组分物质的表征方法,基于油水乳状液体系稳定性整体宏观评价及重要组分对稳定性的贡献度,提出了一套油水乳状液的稳定性表征方法体系,以期为油水乳状液稳定性研究与破乳技术开发提供基础参考。

炼化企业污水处理厂恶臭治理设施排放特征及污染控制策略

以某炼化企业污水处理厂为研究对象,对其恶臭治理设施外排气体的组成特征及其健康风险进行了分析。外排气体中的恶臭物质主要是氨、硫化氢、非甲烷总烃、芳香烃、有机含硫化合物;其中,氨、硫化氢、甲硫醇、甲硫醚、二甲二硫、二硫化碳和4-乙基甲苯的浓度均高于嗅阈值;甲硫醇、硫化氢的理论臭气浓度最高,是关键的致臭物质;生化设施恶臭治理单元的外排气体对污水厂整体恶臭污染的贡献度最高(77%);外排气体中,20种恶臭污染物的非致癌健康风险指数(HItotal≈10^(−4))和终生致癌风险(LCRtotal≈10^(-8))低。