方面级别情感分析是对给定句子的不同方面进行情感极性预测。在长句子中有许多无关词会干扰情感预测的结果,且这些无关词与中心词存在一定的距离。对此,提出以下解决方案:设计上下文迭代学习网络。提出上下文注意力模块(context attenti...方面级别情感分析是对给定句子的不同方面进行情感极性预测。在长句子中有许多无关词会干扰情感预测的结果,且这些无关词与中心词存在一定的距离。对此,提出以下解决方案:设计上下文迭代学习网络。提出上下文注意力模块(context attention modules,CAM),模块采用上下文动态特征掩码(context features dynamic mask,CDM)遮掩距离中心词较远的词,上下文动态特征权重(context features dynamic weighted,CDW)减小较远词的权重。文中设计的CAM经过多层迭代,增强了方面词在上下文部分的特征提取。在公共的基准数据集上进行一系列的试验比对,试验结果证明文中提出的方法是有效的。展开更多
在互联网技术日趋成熟的今天,广告的点击率(click-through rate,CTR)预测得到越来越多的关注。在特定的商业环境下,广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重...在互联网技术日趋成熟的今天,广告的点击率(click-through rate,CTR)预测得到越来越多的关注。在特定的商业环境下,广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重要特征。针对上述问题,提出了基于压缩激励网络的注意力因子分解机的点击率预测模型(squeeze and excitation network based attentional factorization machines model for click-through rate prediction,SEAFM),SEAFM模型通过压缩和激励网络来动态学习特征的重要性,通过注意力网络来学习特征交互的权重,通过深度神经网络(deep neural network,DNN)模块来隐式建模高阶特征交互。实验结果显示,SEAFM模型比现有相关模型具有更好的性能。展开更多
基金Supported by the National Natural Science Foundation of China under Grant No.6073045 (国家自然科学基金)the Defense Pre-Research Project of the ‘Tenth Five-Year-Plan’ of China under Grant No.413150403 (国家"十五"国防预研基金)
文摘方面级别情感分析是对给定句子的不同方面进行情感极性预测。在长句子中有许多无关词会干扰情感预测的结果,且这些无关词与中心词存在一定的距离。对此,提出以下解决方案:设计上下文迭代学习网络。提出上下文注意力模块(context attention modules,CAM),模块采用上下文动态特征掩码(context features dynamic mask,CDM)遮掩距离中心词较远的词,上下文动态特征权重(context features dynamic weighted,CDW)减小较远词的权重。文中设计的CAM经过多层迭代,增强了方面词在上下文部分的特征提取。在公共的基准数据集上进行一系列的试验比对,试验结果证明文中提出的方法是有效的。
文摘在互联网技术日趋成熟的今天,广告的点击率(click-through rate,CTR)预测得到越来越多的关注。在特定的商业环境下,广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重要特征。针对上述问题,提出了基于压缩激励网络的注意力因子分解机的点击率预测模型(squeeze and excitation network based attentional factorization machines model for click-through rate prediction,SEAFM),SEAFM模型通过压缩和激励网络来动态学习特征的重要性,通过注意力网络来学习特征交互的权重,通过深度神经网络(deep neural network,DNN)模块来隐式建模高阶特征交互。实验结果显示,SEAFM模型比现有相关模型具有更好的性能。