结合多粒度视图动态融合的多模态方面级情感分析

为了解决以往多模态方面级情感分析研究中存在的特征提取不充分、数据噪声未被有效处理以及多模态数据中的复杂交互被忽视等问题,提出了一种多粒度视图动态融合模型(multi-granularity view dynamic fusion model,MVDFM)。从粗粒度和细粒度两个视角,对文本和图像数据进行向量化编码,以便充分捕捉数据特征,增强模型信息表达能力;提取文本、图像的多粒度视图特征,并设计动态门控自注意力机制,对细粒度级的文本、图像视图进行降噪,进一步保证特征提取质量;为了挖掘不同粒度上多视图之间的互补性和一致性,提出一种三视图分解高阶池化机制,对多粒度视图特征进行两阶段动态融合,得到最终的目标方面词情感极性。实验结果表明,该模型在公共数据集Twitter-2015和Twitter-2017上的准确率和F1值分别达到了78.69%、74.48%以及72.77%、71.61%,相较于最优基线模型分别提升了0.55、0.88个百分点,以及1.67、2.45个百分点。说明该方法能够充分利用多模态数据中包含的深层语义信息,并有效挖掘与目标方面词相关的重要信息,从而提高方面级情感预测效果。

基于深度聚类的居民用户电力负载模式识别

电力用户负载模式的识别有利于引导用户参与需求侧管理,提高能源的利用效率。面对电力负荷数据日趋海量的情况,传统K-Means算法无法有效处理,且存在无法准确衡量高维电力数据距离、对噪声和异常数据敏感等问题,文章提出一种基于自编码器(auto-encoder,AE)与K-Means算法结合的方法。首先利用自编码器来提取出电力数据潜在的特征,然后利用K-Means算法对提取出的抽象特征进行聚类,最后利用自编码器与聚类的联合误差优化整个模型,使聚类效果更好。通过英国电力网络领导的低碳项目中伦敦家庭的电力数据集来验证方法效果,证明该方法能提供准确的聚类结果,有效分析出不同类型的负载模式。