面向方面级情感分析的多视图表示模型

面向特定方面的用户评论细粒度情感分析是当前自然语言处理领域一个热门的研究话题,针对评论语句在内容表达和句法结构上的灵活性,综合运用词性、句法、语义等知识增强评论语句的特征表示是当前一种主要的研究思路。基于此,提出一种多视图融合表示的图卷积网络模型。该模型通过自注意力和特定方面注意力,学习得到评论语句基于上下文的增强表示;分别利用句法依赖信息和词共现信息,通过图卷积操作得到评论语句基于句法和基于语义的两种不同表示;在获得三种不同视图表示的基础上设计了一种分层融合方式,通过对三种表示的不同组合与卷积操作实现不同视图表示间的信息共享与互补。五个公开数据集上的实验结果表明该模型较现有模型取得了更好的性能。

基于解耦变分自编码器的多视图表示学习

为了高效利用多视图数据之间的一致性和互补性信息,提出了一种多视图解耦的变分自编码器(MVDVAE,Multi-View Disentangled Variational Auto-Encoder)模型。该模型针对一致性信息提出了一种基于变分自编码器(VAE,Variational Auto-Encoder)的分布对齐和加权融合策略,可以达到视图间共有信息的一致性;其次,为了保留各视图的特有信息以及解耦一致性和互补性,提出了强化重建损失,去保留采样后的互补性信息。实验结果表明,该模型相较于其他方法在三个真实数据集上都有较大的提升。

演绎数据库中完整性约束视图表示和生成算法

在演绎数据库系统中,一般将完整性约束条件和IDB规则分别表示和存储。文章基于笔者自行设计的SD-DDBS系统的IDB规则视图表示方法,给出了一个生成算法,将完整性约束条件表示成视图形式,克服了传统方法中存储开销大,演绎查询实现复杂的缺点,有效地提高了演绎查询的执行效率。

基于多视图自编码器的多被试者脑影像功能校准

功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)研究面临的主要挑战之一是不同被试者fMRI数据的异质性。一方面,多被试数据分析对于确定所生成结果跨被试的通用性和有效性至关重要。另一方面,分析多被试者fMRI数据需要在不同被试者的神经活动之间进行准确的解剖和功能校准,以提升最终结果的性能。然而,现有大多数功能校准研究都采用浅层模型来处理多被试者间的复杂关系,这严重束缚了多被试信息的建模能力。为此,提出了一种基于多视图自编码器的功能校准(Multi-view Auto-encoder Functional Alignment,MAFA)方法。具体地,该方法通过重构不同被试者的响应空间来学习节点嵌入,捕获不同被试者之间共享的特征表示,从而创建一个公共的响应空间。此外,通过引入自训练聚类目标,利用高置信度节点作为软标签来监督图聚类过程。在4个数据集上的实验结果表明,相比其他多被试者脑影像功能校准方法,所提方法在解码精度方面取得了最佳效果。

基于多视图知识表示和神经网络的旅游领域实体对齐方法

针对目前旅游领域实体对齐任务中的长尾实体过多和现有知识以及标注数据稀缺的问题,提出一种基于多视图知识表示和神经网络相结合的实体对齐方法。采用预训练模型完成多视图的知识表示学习,获得了实体的结构嵌入、关系嵌入和描述信息嵌入,然后利用卷积神经网络对结合了三种视图嵌入的实体综合嵌入进行相似度计算。实验精准率达到91.4%、召回率达到87.9%、综合指标F1值达到89.6%。结果表明,该方法有效地完成了旅游领域的实体对齐任务。

面向不完整多视图聚类的深度互信息最大化方法

多视图聚类是无监督学习领域研究热点之一,近年来涌现出许多优秀的多视图聚类工作,但其中大多数方法均假设各视图是完整的,然而真实场景下数据收集过程极容易发生缺失,造成部分视图不完整。同时,很多方法采取传统机器学习方法(即浅层模型)对数据进行特征学习,这导致模型难以挖掘高维数据内的复杂信息。针对以上问题,本文提出一种面向不完整多视图聚类的深度互信息最大化方法。首先利用深度自编码器挖掘各视图深层次的隐含特征,并通过最大化潜在表示间的互信息来学习各视图间的一致性知识。然后,对于不完整视图中的缺失数据,利用多视图的公共潜在表示进行补全。此外,本文采用一种自步学习策略对网络进行微调,从易到难地学习数据集中的样本,得到更加宜于聚类的特征表示。最后,在多个真实数据集上进行实验,验证了本文方法的有效性。

基于深度图正则化矩阵分解的多视图聚类算法

针对现实社会中由多种表示或视图组成的多视图数据广泛存在的问题,深度矩阵分解模型因其能够挖掘数据的层次信息而备受关注,但该模型忽略了数据的几何结构信息。为解决以上问题,本文提出基于深度图正则化矩阵分解的多视图聚类算法,通过获取每个视图的局部结构信息和全局结构信息在逐层分解中加入两个图正则化限制,保护多视图数据的几何结构信息,同时将视图的权重与特征表示矩阵进行结合获得共识表示矩阵,最大化视角间的互补性,保证数据的一致性和差异性。除此之外,本文使用迭代更新变量的方法最小化目标函数,不断优化模型并进行收敛性分析。将本文算法和多个算法在三个人脸数据集和两个图像数据集上运行,通过多项指标的对比可以看出本文提出的算法具备良好的性能表现。