针对现有的数字化档案多标签分类方法存在分类标签之间缺少关联性的问题,提出一种用于档案多标签分类的深层神经网络模型ALBERT-Seq2Seq-Attention.该模型通过ALBERT(A Little BERT)预训练语言模型内部多层双向的Transfomer结构获取进...针对现有的数字化档案多标签分类方法存在分类标签之间缺少关联性的问题,提出一种用于档案多标签分类的深层神经网络模型ALBERT-Seq2Seq-Attention.该模型通过ALBERT(A Little BERT)预训练语言模型内部多层双向的Transfomer结构获取进行文本特征向量的提取,并获得上下文语义信息;将预训练提取的文本特征作为Seq2Seq-Attention(Sequence to Sequence-Attention)模型的输入序列,构建标签字典以获取多标签间的关联关系.将分类模型在3种数据集上分别进行对比实验,结果表明:模型分类的效果F1值均超过90%.该模型不仅能提高档案文本的多标签分类效果,也能关注标签之间的相关关系.展开更多
文摘针对现有的数字化档案多标签分类方法存在分类标签之间缺少关联性的问题,提出一种用于档案多标签分类的深层神经网络模型ALBERT-Seq2Seq-Attention.该模型通过ALBERT(A Little BERT)预训练语言模型内部多层双向的Transfomer结构获取进行文本特征向量的提取,并获得上下文语义信息;将预训练提取的文本特征作为Seq2Seq-Attention(Sequence to Sequence-Attention)模型的输入序列,构建标签字典以获取多标签间的关联关系.将分类模型在3种数据集上分别进行对比实验,结果表明:模型分类的效果F1值均超过90%.该模型不仅能提高档案文本的多标签分类效果,也能关注标签之间的相关关系.
文摘设计低廉、高效且长稳定的析氢反应(HER)催化剂对于水分解技术的工业实施至关重要。本研究采用溶胶凝胶法结合后续热分解的方式制备出了异质纳米结构NiO KNbO_(3)催化剂,通过X射线衍射(XRD)、X射线光电子能谱(XPS)、扫描电子显微镜(SEM)、透射电子显微镜(TEM)和电化学工作站(CHI660E)对NiO KNbO_(3)催化剂的晶型结构、元素价态、微观形貌和HER催化性能进行了系统分析。结果表明,NiO KNbO_(3)催化剂在1 mol L KOH电解液中表现出优异的HER催化性能,-10 mA cm 2电流密度下的析氢反应过电位仅为-217 mV,对应Tafel斜率为77.4 mV dec,在24 h恒电位析氢反应稳定性测试中,表现出良好的催化稳定性和耐腐蚀性。NiO KNbO_(3)催化剂优异的HER性能归因于NiO和KNbO_(3)的协同作用以及独特的异质纳米复合结构增大了活性位点暴露和改善了离子传输路径。