跨模态语义时空动态交互情感分析研究

针对传统情感分析中存在的模态间交互性差、时空特征融合度低的问题,建立了一种跨模态的语义时空动态交互网络。通过引入双向长短期记忆网络挖掘各模态的时间序列特征,加入自注意力机制强化模态内特征的权重赋值,将自动筛选出的特征矩阵送入图卷积神经网络进行语义交互。然后以时间戳为基础进行特征聚合,计算聚合层的相关系数,获得融合后的联合特征,实现跨模态空间交互,最终完成情感极性的分类与预测。使用公开数据集对所提出的模型进行评估验证,实验结果表明,多模态时间序列提取和跨模态语义空间交互机制可以实现模态内和模态间特征的全动态融合,有效地提升了情感分类的准确率和F1值,在CMU-MOSEI数据集上分别提高了1.7%~13.5%和2.1%~14.0%,表现出良好的健壮性和先进性。

上下文特征注入融合的空气污染物浓度预测

空气质量预测能够预知区域空间内的大气污染物浓度,对污染防治、环境保护和人身健康等具有非常重要的意义。针对现有空气污染物预测模型未能充分挖掘和利用上下文因素的影响和作用,提出了一种上下文特征注入的空气污染物预测模型。首先,通过循环神经网络和深度置信网络分别学习和提取空气污染物浓度数据的时间序列特征和上下文特征。然后,使用向量融合机制将提取到的上下文特征注入到时间序列特征中,生成新的融合特征。最后,将新的高阶融合特征送入预测器,对空气污染物浓度做出准确可靠的预测。实验选用2017年1月至2021年7月共55个月的PM2.5污染物浓度数据,并与LSTM、GRU、BiLSTM预测模型相比较,结果表明提出的特征注入模型在多种场景下都能够准确地拟合空气污染物浓度的真实值,预测精度优于传统循环神经网络模型,各项评价指标均较好,表现出较强的适应性和准确性。