基于多任务和自注意力机制的文本微情感分析研究

基于多任务和自注意力机制的文本微情感分析研究,旨在挖掘句子中涉及的(4分类、7分类、28分类)的情感,特别是挖掘句子在28分类中的微情感。现有的文献大多仍集中于粗粒度(4分类)的情感研究。而对于7分类、尤其是28分类的微情感研究极少。为了解决上述问题,并且弥补国内对于微情感(28分类)方面研究的空白,论文提出了基于多任务和自注意力机制的微情感分析模型,即通过对4分类、7分类和28分类的三个情感分析任务同时处理,以其中某一个任务为主任务(给予0.9的权重),另外两个任务作为辅助任务(分别给予0.05的权重),并共享三个任务的网络权重,以达到提升主任务模型的目标。通过实验证明,对多个相关联的不同粒度的任务进行编码层的网络共享,能够提高模型对于句子的文本特征提取能力,从而提高模型对于句子的情感识别精度,尤其是在细粒度(微)情感分类任务中。

基于人脸识别的移动课堂考勤系统的设计与实现

本移动课堂考勤系统利用了人脸识别技术,在安卓客户端上实现课堂考勤,一键完成实时考勤及考勤统计功能。系统使用基于人脸特征点识别算法,通过对图片切割、人脸特征提取及降维,实现当前人脸信息与人脸数据库信息的匹配,从而实现人脸验证。实验表明,在误差允许范围内,本系统的准确率达到75%。

基于双注意力的段落级问题生成研究

段落级问题生成是指从给定的段落中生成一个或多个与之相关的问题。目前的研究主要使用序列到序列的神经网络最大程度地利用段落信息,但这种方法存在冗余信息干扰、无法聚焦重点句子的问题。针对上述问题,该文提出了一种基于双注意力的段落级问题生成模型。该模型首先对段落和答案所在句子分别使用注意力机制,然后利用门控机制动态地分配权重并融合上下文信息,最后利用改进的指针生成网络结合上下文向量和注意力分布来生成问题。实验结果表明,该模型在SQuAD数据集上比现有主流模型具有更高的性能。

基于双通道语义差网络的方面级别情感分类

方面级别情感分类旨在分析一个句子中不同方面词的情感极性。先前的研究在文本表示上,难以产生依赖于特定方面词的上下文表示;在语义特征分析上,忽略了方面词的双侧文本在整体语义上与方面词情感极性之间具备不同关联度这一特征。针对上述问题,该文设计了一种双通道交互架构,同时提出了语义差这一概念,并据此构建了双通道语义差网络。双通道语义差网络利用双通道架构捕捉相同文本中不同方面词的上下文特征信息,并通过语义提取网络对双通道中的文本进行语义特征提取,最后利用语义差注意力增强模型对重点信息的关注。该文在SemEval2014的Laptop和Restaurant数据集以及ACL的Twitter数据集上进行了实验,分类准确率分别达到了81.35%、86.34%和78.18%,整体性能超过了所对比的基线模型。

基于PCA的人脸识别算法在课堂考勤中的应用研究

本文主要对基于PCA的人脸识别算法展开研究,首先采集图片进行预处理,然后基于AdaBoost算法进行人脸检测,采用PCA算法进行人脸识别与匹配,最终将人脸识别算法运用到移动课堂考勤平台中。本系统将人脸识别技术与课堂考勤相结合,在Android客户端完成实时考勤和考勤统计的功能。经过实验测试,本系统识别率达到75%以上。