融合历史答案特征的多粒度语义交互答案排序方法

为解决只根据单一特征判断答案质量的问题,提出一种结合历史答案特征及多粒度语义交互判断答案质量的排序方法。通过指针网络提取历史答案特征,用动态注意力剔除掉问答对及历史答案的弱相关部分,采用比较聚合池化提取局部语义特征向量,用池化归纳问答对及历史答案句子信息,通过加权求和提取全局语义特征向量。将问答对及历史答案的局部和全局语义特征向量融合,输入到分类器进行打分,按照得分对候选答案排名。实验结果表明,所提方法有效提升了答案选择的正确率。

结合微博内外多粒度语义的 BiLSTM-CNN-ECA谣言检测模型

[目的/意义]为了解决因微博文本多义性和复杂性导致的谣言检测中语义特征提取不全面的问题,提出了一种结合微博内外多粒度语义的BiLSTM-CNN-ECA模型。[方法/过程]首先,对微博文本从字词句三个粒度级别建模,运用双向长短期记忆网络提取微博内部语义特征,生成事件字向量矩阵和事件词向量矩阵;然后,拼接事件句向量矩阵形成三维文本特征矩阵,输入多尺度卷积神经网络,并行提取微博之间的依赖关系特征;最后,引入高效通道注意力模块赋予通道权重,进行微博谣言检测。[结果/结论]构建的三维文本特征矩阵有机结合了各粒度文本的语义特征贡献,包含更多、更全面的微博语义信息;ECA可有效捕获通道间重要信息,进一步提高了多尺度CNN模型对谣言检测的准确率。

融合多粒度语义特征的中文情感分析方法

中文情感分析是自然语言处理的重要研究内容,旨在探究中文文本中蕴含的情感倾向.近年来,中文情感分析研究取得了长足进步,但鲜有研究根据语言本身特征和下游任务需求进行探讨.鉴于此,针对中文文本的特殊性以及情感分析的实际需求,在字、词特征的基础上,引入部首特征和情感词性特征,利用双向长短期记忆网络、注意力机制、循环卷积神经网络等模型,提出了融合字、词、部首、词性等多粒度语义特征的中文文本情感分析方法.在融合各类特征的基础上,利用softmax函数进行情感预测.数据集NLPECC(natural language processing and Chinese computing)上的对比实验结果表明,所提方法的F1值均达到84.80%,一定程度上提高了已有方法的性能,较好地完成了中文文本情感分析任务.

产品规划中基于群体多粒度语义信息的顾客需求优先度确定研究

针对质量屋构建中信息的模糊性和不确定性,提出了基于群体多粒度语义信息的顾客需求优先度确定方法。首先,由各位专家给出顾客需求的主观判定信息,通过一致性转换和近似理想方案的顺序优选技术获取各项需求的基本优先度。然后,依据各项需求的市场竞争性,计算各项需求的竞争优先度。最后,合成基本优先度和竞争优先度,确定顾客需求的综合优先度。应用实例证明了该方法的有效性和实用性。

基于分层次多粒度语义融合的中文事件检测

事件检测是信息抽取领域中一个重要的研究方向,其主要研究如何从非结构化自然语言文本中提取出事件的触发词,并识别出事件的类型。现有的基于神经网络的方法通常将事件检测看作单词的分类问题,但是这会引起中文事件检测触发词与文本中词语不匹配的问题。此外,由于中文词语的一词多义性,在不同的语境下,相同的词语可能会存在歧义性问题。针对中文事件检测中的这两个问题,提出了一个分层次多粒度语义融合的中文事件检测模型。首先,该模型利用基于字符序列标注的方法解决了触发词不匹配的问题,同时设计了字符-词语融合门机制,以获取多种分词结果中词语的语义信息;然后,通过设计字符-句子融合门机制,考虑整个句子的语义信息,学习序列的字-词-句混合表示,消除词语的歧义性;最后,为了平衡“O”标签与其他标签之间的数量差异,采用了带有偏差的损失函数对模型进行训练。在广泛使用的ACE2005数据集上进行了大量实验,实验结果表明,所提模型在精确率(Precision,P)、召回率(Recall,R)和F1值这3个指标上比现有的中文事件检测模型至少高出3.9%,1.4%和2.9%,证明了所提方法的有效性。

基于多粒度语义交互的无监督法律裁判文书检索

随着法律文书数据越来越多,信息过载问题日益严重,快速且准确地在海量法律文书中进行检索显得非常必要。法律文本作为一种特殊的文本形式,具有篇幅较长、结构复杂、专业性强等特点,传统基于关键字的文本检索方法不能满足用户查询法律信息的需求,容易出现答非所问、检索不全等问题。此外,基于语义的文本检索方法,大多依赖于对含有大量标注数据的法律文本进行有监督学习,而法律文本数据的人工标注则严重依赖专家知识,导致其需要高昂的人力成本。该文提出一种基于无监督学习的法律文书检索模型,分别从法律概念、词语和词组3个方面进行多粒度无监督文本匹配,避免了没有训练数据导致的冷启动问题。在法律裁判文书数据集上进行检索实验的结果表明,与基准模型相比,该模型在MAP、MRR和NDCG@10指标上均有显著提升,取得了优秀的检索效果,具有有效性和先进性。

基于多粒度语义交互的抽取式多文档摘要

信息爆炸是信息化时代面临的普遍性问题,为了从海量文本数据中快速提取出有价值的信息,自动摘要技术成为自然语言处理(natural language processing,NLP)领域中的研究重点.多文档摘要的目的是从一组具有相同主题的文档中精炼出重要内容,帮助用户快速获取关键信息.针对目前多文档摘要中存在的信息不全面、冗余度高的问题,提出一种基于多粒度语义交互的抽取式摘要方法,将多粒度语义交互网络与最大边界相关法(maximal marginal relevance,MMR)相结合,通过不同粒度的语义交互训练句子的表示,捕获不同粒度的关键信息,从而保证摘要信息的全面性;同时结合改进的MMR以保证摘要信息的低冗余度,通过排序学习为输入的多篇文档中的各个句子打分并完成摘要句的抽取.在Multi-News数据集上的实验结果表明基于多粒度语义交互的抽取式多文档摘要模型优于LexRank、TextRank等基准模型.

基于多粒度语义分析的二进制漏洞搜索方法

二进制文件相似度检测旨在通过比较来自不同平台、编译器、优化配置甚至是不同软件版本的2个二进制文件的相似程度来判断二者是否高度相似,其中二进制漏洞搜索为其在信息安全领域的应用之一。二进制漏洞的产生为现代软件应用带来了诸多问题,如操作系统易受攻击、隐私信息易被窃取等。二进制漏洞产生的主要原因是软件开发过程中进行了代码复用却没有进行严格的监管。据此,提出了一种基于多粒度语义特征分析的二进制漏洞搜索方法Taurus,该方法通过3种粒度的语义特征来搜索跨平台的潜在二进制漏洞。给定待检测二进制文件和漏洞数据库,需要对其与漏洞数据库中的每个二进制漏洞进行逐一搜索。首先,分别对2个二进制文件进行语义提取,以获取二者在基本块、函数和模块3个粒度下的语义特征,并执行相似度计算;然后,整合3种粒度下语义特征的相似度,以计算3种文件的整体相似度得分;最后,将待检测二进制文件与漏洞数据库中所有漏洞的相似度得分结果进行降序排序,便获得了该二进制文件的搜索结果报告。经过合理配置下的实验对比,结果表明,Taurus方法在准确性方面要优于基线方法。

联合多头数据增强与多粒度语义挖掘的图像情感分析

图像情感分析是机器视觉领域热点问题,然而情感判断主观性较强,仅分析完整图像难以准确刻画图像中情感语义,且高质量图像情感数据不足.为此,提出联合多头数据增强与多粒度语义挖掘的图像情感分析模型M2.首先,设计多头数据增强方法,基于自动数据增强与主动样本精选策略构建递进式数据增强模型,从“质”与“量”两个角度提升数据集;其次,引入情感区域检测模型完成情感区域增强,深入挖掘图像中情感语义强烈的局部区域,进而联合局部区域与整幅图像构建多粒度图像;然后,基于深度互学习框架及局部区域完成模型预训练,充分挖掘异构SENet网络之间互补的情感语义,并以迁移学习方式指导多粒度图像情感分析;最后,设计自适应特征融合模块,融合异构SENet特征以完成多粒度语义挖掘,实现图像情感分析.在Twitter I和FI数据集上验证M2模型,其准确率分别达到90.97%和81.14%,优于主流基线.M2拥有泛化性更强的数据增强策略,可以为其训练提供坚实的数据基础,且对应的实证分析效果较好,模型具备一定的实用价值.

基于高斯过程分类器的三维模型多粒度语义检索

为解决三维模型语义检索中用户检索意图不一致问题,建立多粒度语义检索框架,使学习模型能够有效地适应用户的不同检索意图.首先对模型分类知识进行层次划分,形成语义概念的多粒度结构.然后提取一种多视图特征来描述三维模型的形状特性,并采用高斯过程分类器建立不同粒度层次上的学习模型,实现低层特征和查询概念之间的语义一致性描述.和已有研究相比,多粒度语义检索框架使用户可通过语义粒度级别变化进行检索意图设置,从而检索结果尽可能符合用户语义.在实验部分,采用三维模型基准数据库对框架进行算法性能测试.结果表明,检索准确率要明显提高,并且符合人类思维特点.

模糊质量功能配置中多粒度多语义语言信息的处理

模糊集理论能够对本质上定性、主观和不确定的信息进行定量化描述,因而被用于质量功能配置中,从而形成了模糊质量功能配置.但在所讨论的模糊质量功能配置中,通常考虑的是同一粒度和语义的语言术语,本文讨论了模糊质量功能配置中的多粒度多语义的情况,并对该情况下的定性信息定量化处理进行了研究.

知识与数据驱动的多粒度中文文本情感分析

近年来,中文文本情感分析研究取得了长足进步,但鲜有研究从语言间的差异性、领域知识的有效性和下游任务需求等方面进行探讨。鉴于此,针对中文文本的特殊性以及情感分析的实际需求,将情感知识三元组通过TransE模型得到的知识向量与双向门控循环单元、注意力机制等模型得到的特征向量进行深度融合,并在字、词特征的基础上,引入部首特征和情感词性特征,提出知识与数据协同驱动下融入字、词、部首、词性等多粒度语义特征的中文文本情感分析方法。豆瓣电影评论集和NLPECC数据集上的实验结果表明,所提方法能够有效利用情感知识与多粒度特征提升中文情感识别性能,其F1值分别达到了89.23%和84.84%,较好地完成了中文文本情感分析任务。

基于多粒度二元语义的商业银行绩效评价

本文在卓越绩效评价准则的框架下，基于多粒度二元语义多属性群决策模型，研究商业银行的综合绩效评价方法，巧妙的解决了平衡计分卡方法中存在的非财务指标量化问题，有效避免了商业银行战略错误的发生。

一种用于答案选择的知识增强图卷积网络

答案选择是问答领域的一个重要子任务,目标是根据问题从候选答案集合中选择最合适的答案.该任务的核心是问答语义匹配.近年来,随着深度神经网络和预训练语言模型的应用,许多端对端的问答匹配模型展现出优异的性能.但是,现有模型仍然存在语义信息提取不充分以及未有效利用外部知识信息等问题.针对上述问题,本文提出一种知识增强图卷积网络(A Knowledge-enhanced Graph Convolutional Network,KEGCN).首先,KEGCN提出一种基于图卷积神经网络的问题-答案结构信息提取机制,在利用BERT获得文本语义信息的基础上,KEGCN通过图卷积神经网络学习问答对之间的结构信息,增强语义信息.其次,KEGCN设计了一种基于自注意力门控网络的扩展知识语义构建机制,利用自注意力门控网络获取扩展知识实体之间的上下文语义关联并过滤知识噪声,增强模型的鲁棒性.最后,KEGCN利用多尺寸卷积神经网络提取多粒度的全局语义信息,以进一步提高答案选择推理的准确性.WikiQA和TrecQA数据集上的实验结果表明,与对比模型相比较,KEGCN的综合性能更加优异.

考虑产品服务组合效应的产品服务系统方案评价方法

针对由产品和服务模块组成的产品服务系统方案评价问题,考虑到传统多属性决策方法难以处理产品和服务的组合效应,研究了一种融合模块评价和模块组合效应评价的产品服务系统方案评价方法。采用二元语义表达模型处理专家不确定性评价信息,提出多粒度二元语义评价信息统一方法,考虑专家的客观权重获取方案模块的集成评价值,结合模块的主客观权重计算产品服务系统方案的初始评价值;通过获取产品模块和服务模块间的组合效应矩阵信息,修正产品服务系统方案的初始评价值。以某企业挖掘机PSS配置方案评价为例,验证了所提方法的有效性。

QFD中顾客需求重要度确定的一种方法

在质量功能配置(qualityfunctiondeployment,QFD)的产品规划阶段,顾客需求最终重要度的确定对于技术特征值的确定乃至整个质量屋的优化决策以及下一阶段的配置决策有着重要的作用.文章分析了传统处理方法的不足,讨论了在质量功能配置中引入模糊集理论,在顾客需求的综合上考虑了语言值表达的多粒度多语义的情况;对于顾客需求重要度确定中卖点的确定引入熵的概念,一定程度上使得QFD中顾客需求重要度的确定更加客观、合理.

面向低空空域协同管理的应急决策方法

针对突发事件发生后低空应急救援多个部门协同作业的复杂性,提出基于多粒度语义短语的多部门协同应急决策模型。首先,决策部门使用语义短语表征评估对象的偏好信息,通过转换函数进行一致性转换,进而得到决策部门的相对重要度、部门之间的协同系数和关键指标的权重向量;然后,在考虑多部门协同的基础上,计算采用不同组合方案时各项关键指标的评估指数;其次,将所得到的评估指数和关键指标的权重向量集结,得到各个组合方案的综合评估指数,并据此确定最优的组合方案;最后,通过地震发生后低空应急救援的实例验证所提方法的有效性。结果表明:用所提出的协同决策模型,可以综合考虑评估环境的不确定性和多部门协同作业的相互影响,使决策过程和结果更符合实际。

多模态信息增强表示的中文关键词抽取方法

关键词抽取是指能自动抽取反映文本主题的词或者短语,被广泛应用于文本检索、文本摘要等领域中。目前关键词抽取任务主要依赖于预训练语言模型来获取文本表示,这类语言模型主要基于单一模态的通用文本语料进行训练,存在无法根据下游任务特性进行领域适配和语义表征能力有限的问题。该文提出一种多模态信息增强表示的中文关键词抽取方法MIEnhance-KPE,首先引入Adapter层将偏旁和部首信息集成到预训练语言模型层中,得到领域自适应的文本表示;其次利用卷积神经网络提取汉字的图像特征,同时使用交叉注意力机制融合汉字图像特征和文本特征,实现文本语义表示增强;最后利用条件随机场(conditional random field,CRF)模型进行序列标注任务,并计算词语的位置-词频权重对其进行排序获得关键词。与目前十分先进的关键词抽取方法KIEMP相比,MIEnhance-KPE在公开的中文科学文献数据集和自构建的中文教育关键词抽取数据集上的F值分别提升了15.71%和3.40%;消融实验结果表明,所提出的领域自适应模块和视觉语义增强表示模块均能有效提高关键词抽取的准确性。MIEnhance-KPE的提出有助于教育研究者精准了解教育发展趋势,促进教育理论和实践的创新。