基于全局注意力机制的汉语手语词翻译

针对使用卷积神经网络结构结合循环神经网络结构的模型在手语翻译任务中难以关注到手语视频序列中关键帧的问题,提出了一种结合全局注意力机制的手语翻译模型.该模型在长短时记忆网络中嵌入全局注意力机制,通过计算当前隐藏状态和源隐藏状态之间的相似度并得出对齐向量,让模型学习对齐权重,使模型关注到长手语视频序列中的关键帧,从而提升模型翻译的准确率.实验结果表明:加入全局注意力机制的模型在DEVISIGN_D数据集上的准确率优于3DCNN、CNN+LSTM等主流模型,并且在100分类的短手语词和长手语词数据集上,分别与未使用注意力机制的模型进行了对比,其准确率提升0.87%和1.60%,证明该注意力机制可以有效地提升模型翻译的准确率.

面向不平衡样本的高校学生资助等级分类模型

在使用数据挖掘技术对高校学生助学金等级进行分类的过程中,存在数据样本不平衡的问题.针对该问题,对基于上下文信息的特征交互网络模型CFIN进行了改进,提出了长尾分布下的助学金等级分类模型LT-CFIN.为验证学生人格特征与经济状况之间的相关性,丰富特征维度,依据大五人格理论和卡特尔16型人格理论(16PF)对学生的人格进行量化,使用学生校园卡数据集进行实验,对长尾分布下LT-CFIN模型的分类性能进行评估,整体数据集的AUC值达到98.28%,较其他对比模型提升了3.24%~4.81%,助学金3个等级的F1值分别达到了90.11%,92.60%,95.00%.实验结果表明:结合学生人格特征的LT-CFIN模型能解决数据不平衡的问题,并能有效提高分类的精准性.