基于局部Transformer的泰语分词和词性标注联合模型

泰语分词和词性标注任务二者之间存在高关联性,已有研究表明将分词和词性标注任务进行联合学习可以有效提升模型性能,为此,提出了一种针对泰语拼写和构词特点的分词和词性标注联合模型。针对泰语中字符构成音节,音节组成词语的特点,采用局部Transformer网络从音节序列中学习分词特征;考虑到词根和词缀等音节与词性的关联,将用于分词的音节特征融入词语序列特征,缓解未知词的词性标注特征缺失问题。在此基础上,模型采用线性分类层预测分词标签,采用线性条件随机场建模词性序列的依赖关系。在泰语数据集LST20上的试验结果表明,模型分词F1、词性标注微平均F1和宏平均F1分别达到96.33%、97.06%和85.98%,相较基线模型分别提升了0.33%、0.44%和0.12%。

融合相似度负采样的远程监督命名实体识别方法

实体漏标是目前远程监督命名实体识别(distantly supervised named entity recognition,DS-NER)存在的一个难点问题。训练集中的漏标实体在模型训练中提供了不正确的监督信息,模型将在后续预测实体类型时更倾向于将该类实体预测为非实体,导致模型的实体识别和分类能力下降,同时影响了模型的泛化性能。针对这一问题,提出了融合实体特征相似度计算负采样命名实体识别方法。首先,通过对候选样本和标注实体样本进行相似度计算并打分;其次,以相似度得分作为依据对候选样本进行采样,采样出参与训练的样本。与随机负采样方法相比,该方法通过结合相似度计算,降低了采样到漏标实体的可能性,进而提高了训练数据的质量,从而提升了模型的性能。实验结果表明,该方法在CoNLL03、Wiki、Twitter三个数据集上与其他模型相比,比基线模型平均取得了5%左右的F_(1)值提升,证明了该方法能够有效缓解远程监督条件下实体漏标带来的命名实体识别模型性能下降的问题。

自编码器动态主导融合的多模态情感分析

多模态情感分析过程中,对情感判定起主导作用的模态常常是动态变化的。传统多模态情感分析方法中通常仅以文本为主导模态,而忽略了由于模态之间的差异性造成不同时刻主导模态的变化。针对如何在各个时刻动态选取主导模态的问题,提出一种自编码器动态主导融合的多模态情感分析方法。该方法首先对单模态编码并获得多模态融合特征,再利用自编码器将其表征到共享空间内;在此空间内衡量单模态特征与融合模态特征的相关程度,在各个时刻动态地选取相关程度最大的模态作为该时刻的主导模态;最后,利用主导模态引导多模态信息融合,得到多模态鲁棒性表征。在多模态情感分析基准数据集CMU-MOSI上进行广泛实验,实验结果表明提出方法的有效性,并且优于大多数现有最先进的多模态情感分析方法。

基于伪触发词的并行预测篇章级事件抽取方法

篇章级事件抽取一般将事件抽取任务分为候选实体识别、事件检测和论元识别3个子任务,然后采用级联的方式依次进行,这样的方式会造成误差传递;另外,现有的大多数模型在解码事件时,对事件数量的预测隐含在解码过程中,且只能按照预定义的事件顺序及预定义的角色顺序预测事件论元,使得先抽取的事件并没有考虑到后面抽取的事件。针对以上问题提出一种多任务联合的并行预测事件抽取框架。首先,使用预训练语言模型作为文档句子的编码器,检测文档中存在的事件类型,并使用结构化自注意力机制获取伪触发词特征,预测每种事件类型的事件数量;然后将伪触发词特征与候选论元特征进行交互,并行预测每个事件对应的事件论元,在大幅缩减模型训练时间的同时获得与基线模型相比更好的性能。最终事件抽取结果F1值为78%,事件类型检测子任务F1值为98.7%,事件数量预测子任务F1值为90.1%,实体识别子任务F1值为90.3%。

利用双主题表征的涉案微博评价对象识别方法

微博评价对象识别是涉案网络舆情分析的基础.目前基于主题表征的评价对象识别方法需要预设固定的主题数目,且最终评价对象识别依赖人工推断.针对此问题,提出一种弱监督涉案微博评价对象识别方法,仅采用少量标签评论即可实现对评价对象的自动识别.具体实现思路为:首先基于变分双主题表征网络对评论进行两次编码和重构,获得丰富的主题特征;然后,利用少量标签评论,引导主题表征网络自动判别评价对象类别;最后采用联合训练策略,对双主题表征的重构损失与评价对象分类损失进行联合调优,最终实现对评价对象的自动分类和评价对象词项的挖掘.在涉案舆情的两个数据集上进行了实验,结果表明,所提出的模型在评价对象分类、评价对象词项的主题连贯性和多样性等方面均优于几个基线模型.

QV-Electra:引入Query-Value注意力机制的预训练文本分类模型

预训练语言模型的作用是在大规模无监督语料上基于特定预训练任务获取语义表征能力,故在下游任务中仅需少量语料微调模型且效果较传统机器学习模型(如CNN、RNN、LSTM等)更优。常见的预训练语言模型如BERT、Electra、GPT等均是基于传统Attention机制搭建。研究表明,引入Query-Value计算的QV-Attention机制效果较Attention机制有所提升。该文模型QV-Electra将QV-Attention引入预训练模型Electra,该模型在保留Electra预训练模型参数的同时仅通过添加0.1%参数获得性能提升。实验结果表明,QV-Electra模型在同等时间的情况下,相较于传统模型以及同等参数规模预训练模型能取得更好的分类效果。

基于一致性图卷积模型的多模态对话情绪识别

多模态对话情绪识别是一项根据对话中话语的文本、语音、图像模态预测其情绪类别的任务。针对现有研究主要关注话语上下文的多模态特征提取和融合,而没有充分考虑每个说话人情绪特征利用的问题,提出一种基于一致性图卷积网络的多模态对话情绪识别模型。该模型首先构建了多模态特征学习和融合的图卷积网络,获得每条话语的上下文特征;在此基础上,以说话人在完整对话中的平均特征为一致性约束,使模型学习到更合理的话语特征,从而提高预测情绪类别的性能。在两个基准数据集IEMOCAP和MELD上与其他基线模型进行了比较,结果表明所提模型优于其他模型。此外,还通过消融实验验证了一致性约束和模型其他组成部分的有效性。

基于动态记忆案件描述的涉案微博评论讽刺句检测方法

涉案微博评论讽刺句检测的难点在于评论句字面语义与实际情感存在着较大差异,仅利用评论本身的特征难以判断,而涉案微博正文是案件的事实性描述,可以将其作为评论讽刺句检测的依据。为此,该文提出一种基于动态记忆案件描述的讽刺检测方法。首先利用动态记忆机制对微博正文进行案件特征抽取,其次利用注意力机制获得评论句特征,并与案件特征进行一致性比较,最后基于比较的特征进行讽刺句分类。实验结果表明,该文所提出方法的准确率和F_(1)值分别达到85.65%和85.91%,较基线模型有较大提升,验证了案件描述对涉案微博评论讽刺句检测有很好的支撑作用。

5 kW重整甲醇高温质子交换膜燃料电池系统设计与性能

相对于纯氢,液态甲醇具有储运方便、来源广泛以及体积能量密度高等优点,并可通过现场重整制氢与高温质子交换膜燃料电池(HT-PEMFC)联合发电,有望解决低温PEMFC用氢难的挑战。优选具有完全自主知识产权的高性能HT-PEMFC电堆与甲醇重整器(MSR),其中HT-PEMFC电堆在160℃、氢/空和低化学计量比下的输出功率可达5.46 kW@80 A,而甲醇重整器输出气量达5 m^(3)(标准状况)/h,氢气浓度高达74.8%,CO浓度仅为1%,满足HT-PEMFC运行需求。将MSR与HT-PEMFC进行耦合,采用高、低温热子系统并联的方式构建了高性能的MSR/HT-PEMFC系统,其输出功率与电堆在纯氢条件下的输出功率相同,而甲醇水溶液(体积比6/4)单耗最低仅为0.81 kg/(kW·h),表明该系统甲醇水溶液单耗低、输出性能高,具有广阔的应用前景。

基于情感语义对抗的跨语言情感分类模型

传统的基于机器翻译的跨语言情感分类方法,由于受机器翻译性能影响,导致越南语等低资源语言的情感分类准确率较低。针对源语言和目标语言标记资源不平衡的问题,提出一种基于情感语义对抗的跨语言情感分类模型。首先,将句子和句子中情感词进行拼接,用卷积神经网络对拼接后的句子分别进行特征抽取,分别获得单语语义空间下的情感语义表征;其次,通过对抗网络,在双语情感语义空间将带标签数据与无标签数据的情感语义表征进行对齐;最后,将句子与情感词最显著的表征进行拼接,得到情感分类结果。基于汉英公共数据集和自主构建的汉越数据集的实验结果表明,所提模型相比跨语言情感分类主流模型,实现了双语情感语义对齐,可以有效提升越南语情感分类的准确率,且在差异性不同的语言对上也具有明显优势。

融合简化句法信息的端到端方面级情感分析

端到端方面级情感分析(E2E-ABSA)通过联合标签的方式识别评论中的方面术语,并对其进行情感极性分类。现有模型关注于改进特征编码器和解码器来提升性能。对于该任务而言,方面术语通常以组块的形式出现,且方面术语和观点术语具有句法关联,有效利用上述特性将有利于E2E-ABSA。提出了一种融合简化句法信息的E2E-ABSA模型。通过常用的句法分析获得评论的原始句法依赖树。同时,制定一组规则对句法依赖树进行重构,以获得简洁的句法信息。利用注意力机制将重构的句法信息融合到模型中,获得方面术语和观点术语的相关特征,从而更好地完成方面级情感分析。在两个公共评论数据集上进行验证,实验结果证明了该模型的有效性,且消融实验证明简化的句法信息确实有利于端到端方面级情感分析任务的完成。

一种基于模糊核聚类的脑部磁共振图像分割算法

目的针对普通模糊核聚类算法(kernel fuzzy c-means clustering algorithm,KFCM)存在的随机选择初始聚类中心的问题,本文提出一种根据直方图得到确定的初始聚类中心的模糊核聚类算法,以更快速地分割脑部磁共振图像。方法首先利用区域生长法和形态学方法对原始脑部磁共振图像进行预处理,提取脑实质,然后计算出预处理图像的直方图,将直方图的4个峰值作为模糊核聚类的初始聚类中心,最后利用模糊核聚类算法对脑实质进行分割。结果本文算法能有效地提取出脑组织中的白质(white matter,WM)、灰质(grey matter,GM)和脑脊髓液(cerebral spinal fluid,CSF)。与普通模糊核聚类算法相比,该算法的目标函数能更快地达到平稳,从而缩短运行时间。结论本文算法与随机选择聚类中心的模糊核聚类算法相比,可减少迭代次数,更快地得到分割结果。

分割多发性硬化症白质病灶的新方法

多发性硬化症(MS)是一种慢性的中枢神经系统疾病,其病灶可由常规脑部核磁共振成像(cMRI)进行检测。为提高图像处理的效率,提出了一种自动分割cMRI图像中的MS白质病灶(WML)的新方法。首先将模糊核聚类(KFCM)用于预处理后的T1加权像,得到白质图像;然后利用一个种子点的区域生长处理白质图像,提取出一个二值模板。该模板与对应的T2加权像进行乘积,得到一幅仅包含白质、病灶及背景的图像;最后再次利用KFCM分割图像,得到病灶的核心部分。实验结果表明,所提出的方法能快速、有效地分割出低噪声仿真图像中的WML,且Dice相似性系数平均值在80%以上。

基于交叉累计剩余熵的图像配准中插值方法的改进

交叉累计剩余熵(CCRE)比传统互信息在配准强噪声图像时更具优势,但采用部分体积(PV)插值的CCRE在网格点容易产生局部极值,不利于变换参数的优化。针对该问题,研究基于3阶B样条函数的PV插值(BPV)、哈宁窗sinc函数的PV插值(HPV)和Blackman-Harris窗sinc函数的PV插值(BHPV)方法在CCRE中的应用,提出一种新的插值方法。该方法采用灵活的邻域中心,将插值点对联合直方图贡献的权重分散到临近的9个点上,并使用高斯函数作为PV插值的核函数,避免权重突变。实验结果表明,与BPV,HPV和BHPV插值方法相比,该方法对噪声图像的配准率较高,配准速度较快,更适合应用于CCRE的计算。

基于交叉累计剩余熵的多谱磁共振图像配准

针对传统互信息(MI)图像配准容易产生局部极值的问题,提出一种基于交叉累计剩余熵(CCRE)的多谱磁共振图像配准方法。首先,将参考和浮动图像压缩至5位和7位灰度级;然后,采用哈宁窗Sinc插值计算5位灰度图像的CCRE,并用Brent算法搜索CCRE得到预配准的变换参数;最后,从该变换参数出发,采用部分体积(PV)插值计算7位灰度图像的CCRE,用Powell算法进行优化,得到最终的变换参数。实验结果表明,该方法的鲁棒性相比直接采用PV插值的CCRE配准得到提高;配准时间比直接采用哈宁窗Sinc插值的CCRE配准节省了90%左右,且配准精度有所提高。该方法兼顾了鲁棒性、效率和精度,适合用于多谱图像配准。

一种改进的条件方差和医学图像配准

多模医学图像配准是将不同医学成像模式提供的影像信息进行融合的关键步骤。条件方差和(SCV)是一种新的用于多模图像配准的相似性测度,但SCV的主要缺点是它仅使用量化信息来计算联合直方图。基于此,设计了一种新的插值函数来计算联合直方图,从而提高SCV的性能。将改进后的SVC用于多模医学图像配准,并与归一化互信息(MI)、交叉累积剩余熵(CCRE)和原SCV进行了比较。实验证明,相比NMI、CCRE和原SCV,本研究方法能配准具有不同空间变换和噪声的图像,具有更高的配准成功率和鲁棒性。

松香皂乙醇水溶液稳定性的研究

用分光光度法研究水中金属离子浓度、pH值和添加不同种类表面活性剂等对松香皂乙醇水溶液稳定性的影响,并寻找提高松香皂乙醇水溶液稳定性的方法。实验结果表明:在实验研究的离子浓度范围内(Ca2+浓度0～0.78mmol/L、Mg2+浓度0～0.74mmol/L),水的硬度对松香皂乙醇水溶液稳定性没有影响;在偏碱性的水溶液中加入适量非离子表面活性剂可有效提高松香皂乙醇水溶液的稳定性。

高效液相色谱法测定百菌清中六氯苯的含量

采用ODS-C18色谱柱,以甲醇∶水(V∶V)=90∶10为流动相,流速为1mL/min,紫外检测器216nm进行检测,探讨了高效液相色谱法测定百菌清中六氯苯含量的方法。方法的标准偏差0.60,变异系数1.50%,回收率99.0%～103.3%。

以人为本视阈下五年制高职班主任的工作感悟

文章针对五年制高职学生特点,结合多年班主任工作的体验与感悟,秉承以人为本的理念,从尊重学生、关爱学生、积极为学生搭建活动平台、帮助学生合理规划人生等视角对做好五年制高职班主任,帮扶学生成长成才进行了探讨。

吲哚类杂环生物碱的多样性合成研究进展

吲哚是在自然界中存在最广泛的杂环种类,吲哚类生物碱也是迄今发现最多的一类生物碱,其化学合成和活性研究备受广大化学和药学工作者的关注。多样性导向合成是近年来迅速发展的一个有机化学研究领域,用于快速、高效地合成结构复杂、骨架多样化的类药化合物,对于活性先导药物的发现和优化有着重要意义。本论文以吲哚类杂环为目标,对多样性合成策略在各类吲哚杂环骨架的构建应用进行概述。