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。

普通话水平测试电子化系统

普通话水平测试电子化系统有助于高效地进行普通话水平测试。本文在100小时标准发音人数据库的基础上,针对汉语发音特点,利用语言学专家知识,引入语料选择的自适应算法改进了传统的语音评测算法。在500人普通话水平测试数据库上的测试结果表明,新评测算法能有效提升评测性能。经过分段线性映射,机器评分和人工评分的误差(2.44)和人工与人工评分之间的误差(2.30)相当。这表明可以使用机器代替人工进行普通话水平测试的前三项评分工作。

基于语言学知识的发音质量评价算法改进

随着普通话推广工作的深入,采用计算机进行普通话的辅助测试和学习的需求日益迫切。本文针对普通话发音特点,提出了一种改进的基于音素的自动发音质量评价算法。新算法在隐马尔科夫模型的对数后验概率算法基础上,引入普通话发音的语言学知识。与改进前相比,新算法不仅降低了运算量,而且在普通话水平测试的303人现场录音库上,使得机器打分与国家级评测员打分之间的相关度从0.704提升到0.795。

中立性DEA交叉效率评价方法

在数据包络分析(DEA)对决策单元效率评价的方法中,对抗性DEA交叉效率方法把所有决策单元均视为敌对方,而仁慈性DEA交叉效率方法把所有决策单元均视为盟友,这是不符合实际的.为解决对抗性和仁慈性DEA交叉效率方法的弊端,提出了一种中立性DEA交叉效率方法,既不把决策单元视为盟友,又不把决策单元视为敌对方,而是从中立性的原则去选择权重,进而得出效率评价结果.这种权重选择策略更加客观和公正,更能应用于实践当中.最后,将这一方法应用于铁路局效率评价中.

计算机用于英语背诵题的自动评分技术初探

计算机辅助语言学习日益成为研究重点,但目前主要开展的还是朗读题型的自动评分技术研究。在已有的朗读题自动评分工作基础上,首次提出并尝试背诵题的自动评分研究工作。通过分析背诵题的特点和规律,提出了用"结合静音模型和吸收模型的句子并联网络"进行背诵文本的自动识别,并在识别结果基础上选取更适合背诵题的评分特征,再结合朗读评分中的自适应技术,实现英语背诵题的自动评分。在2006年外研杯新概念英语大赛采集的342份数据上,系统取得了较好的评分性能:人机评分相关度达到0.732,平均分差0.358,达到了专家间相关度的90%,在完整度和流畅度的细节评分上,自动评分水平甚至超过了人工评分水平。

基于KLD差的统计错误模式生成算法

研究了用于指导计算机发音质量评价的错误模式的生成算法,它是普通话CALL系统研究工作中的一部分。传统的错误模式是根据语言学知识来生成的,只能得到那些最重要的常见错误模式。为了提高错误模式的覆盖面,本文提出了一种基于KLD差的统计错误模式生成算法,用模型间KLD作为模型间的距离,以标准模型间KLD与带方言口音模型间KLD的差代表两种模型间的差异,并以之为度量来生成错误模式。实验证明在引入了此算法生成的错误模式后,系统性能由0.809提升到0.826。

肿瘤科新护士的安全隐患及对策

目的分析肿瘤科新护士安全隐患的原因,并针对性的提出护理安全管理的建议对策,意在提高新护士的风险意识和护理水平。方法临床分析观察及日常沟通交流。结果实行护理安全管理后新护士的错(失)误表现明显少于实行护理安全管理前,之后与之前比为2∶16,且二者对比差异具有统计学意义(P<0.05)。结论新护士护理安全管理的建议对策具有可行性和实效性。

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。

基于韵律信息的连续语流调型评测研究

汉语连续语流中的调型评测是汉语语音评测的一个重要环节,利用连续语流中韵律耦合效应和韵律结构紧密相关这一特性,以韵律词为基本建模单元,建立基于多空间概率分布的HMM调型模型(MSD-HMM),使得汉语普通话水平评测系统针对标准连续语流的调型识别率从82.0%提升至84.6%;针对有方言背景的非标准发音,机器评分与专家评分的相关度绝对提升超过3.0%。

基于要点匹配的文科主观题通用评分

主观题自动评分是智慧教育创新中的重要环节,逐步成为人工智能与教育行业领域交叉的热门方向之一。该文面向文科要点主观题,提出基于多任务学习的要点匹配评价模型:评估学生作答与标准答案各个要点之间的匹配等级,并抽取其中与要点相对应的具体片段,通过这两个任务的结果同时刻画学生对每个要点的掌握程度,并作为自动评分的关键特征;将要点匹配评价结果与文本相似度特征相结合,实现主观题作答自动评分,在无定标数据的通用评分场景下大幅提升了效果。对比实验证明了相比传统特征,基于要点匹配评价结果的特征在评分模型中更加重要。

普通话发音检错系统中TANDEM方法的研究与实现

语音识别中常用的HMM/GMM框架由于训练准则和算法的限制,对模式的辨识能力较差;另一种HMM/ANN框架虽具有极强的模式分类能力,但缺乏成熟有效的优化手段。将一种综合两者优点的TANDEM方法应用到普通话发音检错系统中,通过使用区分性训练的神经网络去估计音素级后验概率,经过一系列后续处理将原始MFCC特征转化为TANDEM特征,作为基于HMM统计模型的发音检错系统的输入,进而完成评测过程。实验结果证明,TANDEM方法使系统的检错性能有了较大的提升,结合MLLR等自适应方法的使用效果会更为明显。

基于多模态语义分析的试题推荐方法

在教育场景下,教育资源推荐是一项关键且基础的任务,教育资源呈现出显著的多源、异构和多模态特性,给教育资源的理解、应用带来了巨大的挑战。对此,该文提出了一种基于多模态语义分析的试题推荐方法:首先进行多模态教育资源的特征抽取以及不同模态数据之间的语义关联,构建多模态教育资源的理解表示框架;并利用相同领域任务进行多模态视频和试题特征的预训练,进行关联知识建模;最后,利用线上收集的数据进行视频-试题关联特征微调,得到更加鲁棒的特征表示,进行多模态教学视频的相关性试题推荐。在教育领域数据集上的实验结果表明,该文所提出的方法能有效提升现有方法的效果,具有很好的应用价值。

融合通用题目表征学习的神经知识追踪方法研究

知识追踪是一项评估学生学习过程中知识状态演变情况的任务。现有大多数方法都致力于探索不同的知识状态评估方法。然而,答题过程中更为基础的题目表征受到的关注相对较少。因此,该文提出了一种融合通用题目表征学习的神经知识追踪框架。具体地,该文首先设计了一种通用的题目表征方法,通过知识点、难度和题目独有特征来区分题目。然后,采用现有知识追踪方法同时捕捉知识状态演变并学习题目表征。最后,利用知识状态和待回答题目表征的内积来模拟回答过程。在三个真实数据集上的实验结果表明,该文方法可以在知识追踪过程中学习精确有效的题目表征,并且显著提升了基线知识追踪方法的性能,使其能够超过现有最优方法。

针对发音质量评测的声学模型优化算法

在发音质量评测研究中,传统仅用发音标准的数据进行声学建模,难以描述实际测试面临的非标准发音,使得训练与测试的失配在所难免。针对上述问题,该文提出一种利用覆盖各种发音的数据,根据最小化机器分与人工分均方误差准则进行声学模型优化的算法。实验在普通话水平考试现场3 685份数据(其中498份测试,3 187份训练)上进行。实验表明采用优化算法得到的针对发音质量的评测声学模型相比传统建模方式得到的声学模型有显著的优势。

利用深层语言分析改进中文作文自动评分方法

利用自然语言处理技术对作文进行自动评阅是有重要意义和挑战的研究课题,引起了人工智能领域与教育领域学者的共同关注。该文聚焦于语文作文自动评分任务,提出通过深层语言分析,包括应用高性能别字、语法纠错器分析语言运用能力,采用自动修辞分析、优秀表达识别等手段反映语言表达能力,以及通过细粒度篇章质量分析评估篇章整体质量,来构建有效特征。该文同时提出了结合语言分析特征与深度神经网络编码的自适应混合评分模型。在真实语文作文数据上的实验表明,融入深层语言分析特征可有效提高作文评分效果;年级与主题自适应的模型训练策略,可提高模型的迁移能力和预测效果。消融实验进一步分析和解释了不同类型特征对评分效果的贡献。

考虑后视和多前车信息反馈的车辆跟驰模型

为改进车联网环境下车辆跟驰模型的稳定性,在经典OVCM模型基础上考虑后视效应、多前车速度差和多前车最优速度记忆综合信息对交通流稳定性能的影响,提出一种基于后视和多前车信息反馈的扩展车辆跟驰模型。根据线性稳定性分析法得出模型的中性稳定性判断条件,并进行数值仿真实验与分析。实验结果表明,在扰动初始条件设置一致下,所提模型相比于OV、FVD、OVCM模型,交通流稳定区域增大,速度波动幅度减小,特别是考虑的前车数k、后视敏感系数λi和记忆效应敏感系数γi取值为k=3,λi=[0.2,0.15,0.1],γi=[0.1,0.08,0.06]时,车辆的平均速度波动率低于0.1%,由此说明,所提模型能有效减少扰动影响,增强交通流的稳态保持。

语音评测技术助力英语口语教学与评价

在学习一门语言时,不仅要做到能看会写,还要做到能听会说。然而,对于学生而言,后者通常比前者更具难度。如何让学生更好地将语言学以致用,成为了很多老师深入思考的问题。随着语音评测技术的发展,这一问题有望得到很好的解决。本文将以科大讯飞研发的英语口语智能考试及评分系统、英语听说教考平台、小学口语作业平台为例,解读技术对语言学习带来的改变。

自由表述口语语音评测后验概率估计改进方法

该文研究了两种用于改善深度神经网络声学建模框架下自由表述口语语音评测任务后验概率估计的方法:1)使用RNN语言模型对一遍解码N-best候选做语言模型得分重估计来获得更准确的识别结果以重新估计后验概率;2)借鉴多语种神经网络训练框架,提出将方言数据聚类状态加入解码神经网络输出节点,在后验概率估计中引入方言似然度得分以评估方言程度的新方法。实验表明,这两种方法估计出的后验概率与人工分相关度分别绝对提升了3.5%和1.0%,两种方法融合后相关度绝对提升4.9%;对于一个真实的评测任务,结合该文改进的后验概率评分特征,总体评分相关度绝对提升2.2%。

如何稳步推进工程量清单计价

近年来,建筑市场的日益完善,工程量清单计价已在我国全面推行。作为国际上较为通行的做法,不少国家为工程量清单计价制定了统一的规则,借鉴国外的经验,采用工程量清单计价有利于市场形成价格,有利于维护招投标双方的合理利益。随着我国加入WTO后建设市场的进一步对外开放,在我国工程建设中稳步推行工程量清单计价,逐步与国际惯例接轨己十分必要,势在必行。

深度学习建模下的自动句子填空技术

该文提出了一种结合依存句法分析和深度神经网络的自动句子填空技术。首先,提出了一种依存句法信息展开的序列建模方案,可以在引入句法信息的同时兼顾效率,并在此基础上利用排序学习思想,训练候选答案排序模型;其次,针对整体序列建模的细节建模失准问题,提出了一种基于语言模型多状态信息融合的自动句子填空模型;最后,设计了一种结合序列表示、依存句法信息、多状态信息的多源信息融合模型。该文还构建出一个英文答题数据集并据此进行了实验。实验结果表明,依存句法展开模型相对于常用的序列建模方案,准确率有11%的绝对提升;语言模型状态排序模型相对于基线模型,准确率有9.3%的绝对提升;最终的多源信息融合模型,在测试集上获得最高76.9%的准确率。