基于多语义融合的反讽识别

反讽是一种复杂的语言现象,被广泛应用于社交媒体中。如何让计算机具有识别反讽的能力,成为了自然语言处理研究领域的热门研究内容之一。该文针对反讽识别中缺乏上下文语境信息和修辞表达信息的问题,提出了基于多语义融合的反讽识别方法。该方法采用ELMo从大规模反讽文本中训练得到领域词嵌入表示,并融合基于词性和基于风格信息的语义表示,使用双向长短时记忆网络和卷积神经网络进行反讽识别。实验结果表明,所提出模型能够从多个维度提取反讽文本的潜在语义特征,在公开数据集IAC上的实验性能有显著提升。

基于多语义融合与ArcFace损失的指静脉识别算法

指静脉识别深度学习方法往往忽视指静脉低级特征,未能充分利用指静脉轮廓、纹理等特征。为此,提出一种基于多语义特征融合网络与ArcFace损失的指静脉识别算法。首先,充分利用神经网络低层提取的指静脉轮廓角点等细节特征和纹理形状等结构信息,提出跨层拼接的特征融合机制,解决仅利用指静脉高级特征识别而忽视静脉低级特征的问题;其次,残差单元采用双层卷积结构,增加了相邻残差单元特征图的距离,消除了指静脉各级语义特征重叠现象,并采用阶跃式残差单元分布来提升网络高低层残差单元数量的差异,进一步加大了指静脉各级特征的距离;最后,在损失函数中加入ArcFace损失项,在角度域聚敛类内距离,分离类间距离,减小指静脉特征向量的类内距离。在公开数据集FV-USM、实验室采集的正常图像库及特殊图像库上进行性能分析实验,结果表明,和指静脉识别经典网络相比,提出算法的零误识拒识率分别降低了8.89%,6.89%和14.68%,Top1排序性能分别提升了2.85%,5.10%和9.07%。

基于深度学习的船舶数据向量模型研究

近年来,航运信息化建设进程加速发展,然而由于各单位在船舶信息管理上的不统一,导致收集到的数据存在大量的相似重复数据。如果直接使用这部分数据进行数据分析,会对最终结果造成严重影响。为了解决对重复数据的检测问题,文章基于深度学习,融合FastText向量模型、BERT模型以及LDA模型,搭建多语义融合模型,对船舶数据进行向量构建,使得生成的向量包含信息更全面,提升重复检测准确率,提高船舶数据清洗效率。

基于多语义信息融合的事件检测模型

[目的]通过融合多类语义信息,提高事件检测任务准确性。[方法]首先,利用Bi-LSTM模型编码非关系类语义信息;其次,基于关系类语义信息生成关系图,利用多尺度卷积神经网络捕获邻接矩阵蕴含的空间信息并与词向量进行融合;最后,构建Gated-GCN模型动态聚合并更新相邻词向量间的关系类语义信息,增强词向量的表征能力。[结果]基于ACE05基准数据集,与现有主流事件检测模型进行对比实验,所提模型的F1值达到76.3%,相较于最优的基准模型提升1.2个百分点。[局限]研究基于基准数据集,需要在一般的数据集上进行模型验证。[结论]融合多类语义信息能够有效提升事件检测性能。