基于正文和评论交互注意的微博案件方面识别

微博案件观点所涉方面的自动识别是了解互联网社交媒体新闻舆情的重要手段,但由于微博文本形式和内容均灵活多变,传统的方面识别方法通常只利用单一的正文或评论,使微博语义理解非常有限。针对涉案微博文本的方面识别问题开展研究,提出一种基于正文和评论交互注意的案件方面识别方法,通过融合社交媒体的上下文信息,实现对案件观点所涉方面的识别。首先基于Transformer框架对正文和评论分别进行编码;然后基于交互注意力机制,实现正文信息和评论信息的融合,并基于融合后的特征实现对评论文本案件方面的识别;最后基于12个案件构建的微博数据集进行实验,实验结果表明,采用交互注意力机制融合微博正文信息和评论信息可以显著提升案件方面识别的准确率,证明了所提方法的有效性。

人工智能在模式识别方面的应用

我国的计算机技术快速进步、不断发展的背景下,计算机的应用领域开始增多,而且各个领域对计算机的感知能力提出了很高的要求,尤其是声音感知、文字感知、图像感知等方面。但是,当前在计算机技术应用的过程中,很难进行外部各种因素的感知,虽然采用图文扫描仪系统、电视摄像机系统可以进行非电信号的良好转换,但是也无法更好地进行感知。而人工智能模式识别的能力较强,具有一定的应用价值和发展潜能。基于此,下文研究人工智能模式识别,分析其在各个领域中的应用,旨在为促使人工智能模式识别方面的应用和发展提供一定的基础保障。

基于多标记学习的汽车评论文本多性能识别

针对汽车产品评论文本中出现的多方面性能,提出一种基于多标记学习的汽车评论文本多方面性能识别方法。首先,结合文本挖掘方法,利用多标记文本特征选择方法选取特征,将非结构化的文本转化为结构化的多标记数据集。在此基础上,使用四种多标记分类方法,对待识别的评论文档标注一个或多个方面标记。最后,以八种多标记评价指标评估方面识别的性能。在新浪汽车评论语料上的实验表明,方面识别的子集准确率达到了95%,验证了方法的可行性。