基于BiGRU模型的多模态网络舆情情感分析

情感分析可以挖掘社会热点事件网络舆情的矛盾冲突,加强对多模态信息的分析处理,对网络舆情管理具有重要意义。本文基于BiGRU模型构建多模态网络舆情情感分析框架,运用word2vec提取文本特征,卷积神经网络提取图像特征,采用线性融合进行特征融合实现情感分析。与基线模型相比,本文的多模态网络舆情情感分析方法准确率、宏平均F1和加权平均F1的结果更优,对现实生活产生的舆情事件具有较好的情感识别效果。

基于CNN BiGRU RF模型的TBM掘进参数预测研究

作为井下巷道掘进的新工法,全断面隧道掘进机(TBM)有显著的经济效益,对TBM的掘进参数进行预测对于确保TBM的掘进效率具有重要意义。对现场获取的TBM数据进行清洗和预处理,利用皮尔逊相关系数法对模型输入特征进行筛选,并构建基于卷积神经网络(CNN)优化的双向门控循环单元(BiGRU)神经网络并通过随机森林(RF)进行集成的TBM掘进参数预测模型,实现对TBM掘进参数的预测。研究结果表明:选取与总推力和推进速率关联度最密切的刀盘转速、刀盘扭矩和贯入度作为特征参数;构建的CNN BiGRU RF模型预测掘进参数对总推力和推进速率的拟合优度R 2均值分别为0.950和0.966,均方误差MSE平均值分别为0.750和0.782,均方根误差RMSE平均值分别为0.866和0.885,平均绝对误差MAE平均值分别为1.054和1.007,并且回归评价指标MSE、RMSE、MAE相较于CNN BiGRU模型,分别降低2.497、0.966和0.386,R 2提升23.4%,证明CNN BiGRU RF模型的预测准确度和泛化性最高。该研究可为实际工程掘进参数预测提供指导,有助于推动TBM在煤矿的推广,保障TBM的施工进度。

基于ERNIE-BiGRU和注意力机制的民航旅客评价情感分析

针对传统文本情感分析获取词向量信息不充分以及情感资源未得到充分利用,导致在判断评论情感极性所依赖的文本信息不足,提出ERNIE-BiGRU-Attention民航旅客评价情感分类模型。首先,应用简单数据增强技术(easy data augmentation,EDA)对数据集进行处理。然后基于预训练语言模型(enhanced representation through knowledge integration,ERNIE)对文本进行情感知识提取。在特征提取方面,引入双向门控循环单元(bi-directional gate recurrent unit,BiGRU)与注意力机制。结果表明,该模型在分类上表现优异,综合F 1为0.9759,准确率较对比模型提升0.73%。

“互联网+”环境下融合多特征的弹幕数据情绪监测模型构建

针对企业营销活动中未充分考虑客户情感特征,导致营销效果达不到预期的问题,提出一种融合多特征的ALBERT-SA-BIGRU模型。首先,基于企业营销活动弹幕数据构建表情符号词典及相关语料库。其次,将弹幕文本与弹幕属性共同输入ALBERT模型中提取弹幕文本的特征表示,并与GloVe预先训练好的表情符号特征融合。再次,利用自注意机制捕捉表情符号与弹幕文本、弹幕属性之间的关系,将捕获的词语特征输入BiGRU中从前向、后向捕获信息,加强语义依赖,提取情感特征。最后,用Softmax逻辑回归进行情感倾向性分类,构建情绪监测图。以某互联网营销平台163253条弹幕数据对模型进行性能验证的结果表明,模型准确率、精确率、召回率分别为88.8%、88.7%、88.9%,相较于其他模型均有一定提升,可为企业在营销活动中实现用户情绪监测智能化精准营销提供支持。

基于BERT嵌入的中文命名实体识别方法

在基于神经网络的中文命名实体识别过程中,字的向量化表示是重要步骤,而传统的词向量表示方法只是将字映射为单一向量,无法表征字的多义性.针对该问题,通过嵌入BERT预训练语言模型,构建BERT-BiGRU-CRF模型用于表征语句特征.利用具有双向Transformer结构的BERT预训练语言模型增强字的语义表示,根据其上下文动态生成语义向量.在此基础上,将字向量序列输入BiGRU-CRF模型中进行训练,包括训练整个模型和固定BERT只训练BiGRU-CRF2种方式.在MSRA语料上的实验结果表明,该模型2种训练方式的F1值分别达到95.43%和94.18%,优于BiGRU-CRF、Radical-BiLSTM-CRF和Lattice-LSTM-CRF模型.