结合表示学习和迁移学习的跨领域情感分类

针对现有跨领域情感分类方法中文本表示特征忽略了重要单词与句子的情感信息,且在迁移过程中存在负面迁移的问题,提出一种将文本表示学习与迁移学习算法相结合的跨领域情感分类方法。首先,利用低维稠密的词向量对文本进行初始化,通过分层注意力网络,对文本中重要单词与句子的情感信息进行建模,从而学习源领域与目标领域的文档级分布式表示。随后,采用类噪声估计方法,对源领域中的迁移数据进行检测,剔除负面迁移样例,挑选高质量样例来扩充目标领域的训练集。最后,训练支持向量机对目标领域文本进行情感分类。在大规模公开数据集上进行的两个实验结果表明,与基准方法相比,所提方法的均方根误差分别降低1.5%和1.0%,说明该方法可以有效地提高跨领域情感分类性能。

融合时空上下文的手绘笔画图文分类

在笔式用户界面中,对手绘图形和手写文字的识别通常采用不同的识别算法,因此通过笔画分类将混杂的笔画集自动分离是手绘草图识别中的一个重要研究课题。该文提出一种融合时空上下文的手绘笔画联合分类方法,采用支持向量随机场对时空关联的笔画集进行联合建模,不仅利用笔画自身的特征进行判别分类,还以时空邻域和笔画对特征同时融合了笔画间的时间上下文和空间上下文信息,通过模型环状置信传播(LBP)推断,最终求得最大后验边缘概率准则下的联合分类结果。实验结果表明,该文方法的分类准确率优于基于SVM的单笔画分类方法和基于马尔科夫随机场(MRF)的空间上下文联合分类方法,分类速度能基本满足交互实时性的要求,验证了利用随机场模型融合时空上下文进行笔画分类的可行性和有效性。