基于ALBERT、Lattice IndyLSTM和Attention融合的用户意图分类

旨在对话式智能系统中的用户意图识别任务,论文提出了一种新型的用户意图分类模型。该模型结合了ALBERT预训练模型、格形式的独立循环长短期记忆网络(Lattice IndyLSTM)以及词注意力融合机制。通过构造一个由字嵌入和词嵌入组成的Lattice,输入至IndyLSTM网络实现对用户输入语句编码,能够处理传统意图分类任务中无法同时利用字词信息、RNN中存在梯度爆炸或者消失,LSTM模型过拟合等问题。此外,利用能够提高对用户输入语句中领域特定词汇的编码贡献度的词注意力机制,大大提升了意图识别准确性。通过实验得出,论文提出的用户意图分类模型能够有效提升精确率、召回率和F1值等指标。

基于IndyLSTM的锂电池充电剩余时间预测

传统模型在锂电池充电剩余时间预测中的泛化能力受到一定约束。针对此问题,提出一种基于独立长短期记忆循环神经网络(IndyLSTM)的锂电池充电剩余时间预测方法。通过对锂电池充电过程数据的分析,利用IndyLSTM在处理序列化数据时可以长期记忆历史数据的优势,对充电剩余时间进行预测。采用美国国家航空航天局(NASA)公开的电池数据,与常规的LSTM和SVR模型进行实验对比,IndyLSTM预测结果在准确性和稳定性方面表现更好。