基于动态网络的文本敏感信息感知脑响应检测模型

针对文本敏感信息感知过程复杂和个体差异大造成敏感信息感知脑响应潜伏期不确定性的问题,提出了一种基于动态卷积神经网络的脑响应检测模型——DyCNN_CBAM。该模型通过增加的动态卷积模块,让每层的卷积参数在训练的时候随着输入可变,可提升模型的尺寸与容量。然后在模型第一、二层后增加的注意力机制模块,自动计算贡献度较高的时空信息。实验结果表明:该模型比现有的单尺度模型平均分类准确率提高了4%,F1分数提高6.7%,同时比现有多尺度网络平均分类准确率提高了2%,F1分数提高1.2%。此外,在公开数据集上取得最好的F1分数。由此说明,该网络更够适应文本敏感信息感知脑信号潜伏期抖动性,有效地提升了文本敏感信息检测模型的稳定性。

基于异构图卷积网络的网络社区敏感文本分类模型

【目的】基于图神经网络设计一种针对网络社区中敏感文本的分类模型,为治理网络舆情、维护网络社区信息安全提供帮助。【方法】在文本和词的基础上添加敏感实体构造异构图,引入网络舆情敏感信息的先验知识,然后利用BERT捕获文本的深度语义信息,使用图卷积网络(GCN)获取全局的共现特征,结合两者获得预训练模型和图模型的互补优势,适应长短文本之间的结构差异,最后根据基于网络社区舆情特点设计的敏感文本分类体系进行分类。【结果】在网络舆情敏感文本自制数据集上进行广泛的实验,实验结果表明,所提模型准确率达到70.80%,相较于基线模型至少提高3.52个百分点。【局限】在大语料库上构建的异构图过大会影响计算速度。【结论】所提模型能够适应网络社区敏感文本的结构差异,更好地捕捉文本中的敏感特征以提升分类性能,在敏感文本分类上有较好的效果。

“政治正确性”框架下敏感类文本的翻译

在"政治正确性"的框架下,由于英语翻译中译者对种族、宗教和社会性别等敏感问题的理解偏差而导致了深层文化差异,基于"在准确性和可接受性之间的选择"、"委婉跑步机"等翻译理论,探讨总结了这类文本在翻译过程中应该注意的问题。

基于流量和文本指纹的两层物联网设备分类识别模型

为及时隔离局域网内易受攻击的异常物联网设备,对网络管理员而言,具备高效的设备分类识别能力至关重要。现有方法中所选择的特征与设备关联性不高,且设备状态的差异会导致样本数据不平衡。针对上述问题,文中提出了一种基于流量和文本指纹的物联网设备分类识别模型FT-DRF(Flow Text-Double Random Forest)。首先设计特征挖掘模型,选取稳定的流统计数据作为设备流量指纹;其次基于HTTP,DNS和DHCP等应用层协议头部字段中的敏感文本信息生成设备文本指纹;在此基础上,对数据进行预处理并生成特征向量;最后,设计基于双层随机森林的机器学习算法对设备进行分类识别。对由13个物联网设备组成的模拟智能家居环境数据集和公共数据集进行有监督分类识别实验,结果表明,FT-DRF模型能够识别网络摄像头、智能音箱等物联网设备,平均准确率可达99.81%,相比现有典型方法提升了2%~5%。

涉疆政治敏感类英语文本翻译技巧与策略

该文基于《中亚反恐政策》一书的翻译体验,针对该书中涉及新疆的政治敏感类英语文本在翻译过程中所遇到的意识形态相冲突的文本翻译进行讨论。笔者通过对本书中出现的源语同目的语社会的意识形态相冲突进行分析,提出对此类问题翻译的一些解决方法:主要涉及"隐而不译策略"以及"中性化处理策略"。该文通过对上述问题的分析,除了在翻译技巧与策略上提出一点建议之外,更旨在强调政治敏感类文本的准确翻译对与之相关领域研究的学术和应用意义。

一种基于Word2vec的敏感内容识别技术

随着数据量的爆炸式增长,企业面临数据安全防护的难题,尤其是文本数据的安全防护。传统的精确匹配识别文本中敏感词的方法,因存在相似词而导致遗漏,造成数据泄露。于是,提出了一种基于Word2vec结合人工设定的不同等级敏感词识别技术,从语义层面识别文本中的敏感词,并根据提出的敏感度模型计算文本敏感度,判断文本敏感等级。实验结果表明,与传统方法相比,提出的技术方法能够更准确、全面地识别文本敏感内容,并确定文本敏感等级。

论本源概念的翻译模式

本文依据双语平行语料库中抽出的499个例子,考察了汉、英本源概念的翻译模式。据考察,翻译敏感类文本(sensitive texts)中本源概念的主要翻译策略是直译,而小说类文本的翻译模式则较为灵活,呈现出"意译>直译>换译>省略"这样的分布倾向,即意译手法多于直译,直译又多于换译,换译又多于省略。这为理解从原文到译文之间的概念意旨整合过程提供了具体的证据。