基于多头自注意力池化与多粒度特征交互融合的微博情感分析

【目的】高效、准确地挖掘微博文本中所蕴含的情感信息,提升情感分析效果。【方法】采用WoBERT Plus与ALBERT分别对词级文本与字级文本进行动态编码,接着利用卷积操作提取局部关键特征,然后利用跨通道特征融合与多头自注意力池化操作提取全局语义信息并筛选出关键数据,最后利用多粒度特征交互融合操作将字级与词级语义信息进行有效融合,利用Softmax函数输出分类结果。【结果】本文模型在weibo_senti_100k数据集上的准确率与F1值分别为98.51%、98.53%,在SMP2020-EWECT数据集上的准确率与F1值分别为80.11%、75.62%,其表现均优于各数据集上先进的情感分析模型。【局限】在进行情感分析时,未考虑视频、图片、语音等多模态信息。【结论】所提模型提升了微博文本情感分析的效果,可以有效地完成微博文本情感分析任务。

制造业众包平台服务资源的特征构建及聚合匹配

针对制造业众包平台中服务资源的特征构建缺乏规范、聚合匹配不准确的问题,提出了基于双向编码表示(BERT)模型的特征构建方法和基于多粒度特征交互的聚合匹配模型(MFIM)。前者改进了经典的BERT模型,采用停止符掩码操作和基于分类任务的学习策略,实现了服务资源所具有的语义特征建模,精准衡量了平台商所具有的服务资源能力水平,为大规模的语义特征体系的构建提供了有力支撑。后者针对服务资源的语义粒度差异较大的问题,采用了多层次的扩张卷积结构,并构建了跨粒度信息交互的关联矩阵。这有效解决了服务资源的聚合匹配及语义辨识问题。实验表明,所提出的一系列研究方法能够有效地建模服务资源文本,为服务资源的深入挖掘和精准的匹配检索提供了一种新的思路和手段。