为更好地利用单词词性包含的语义信息和伴随单词出现时的非自然语言上下文信息,提出动态调整语义的词性加权多模态情感分析(part of speech weighted multi-modal sentiment analysis model with dynamic semantics adjustment,PW-DS)模...为更好地利用单词词性包含的语义信息和伴随单词出现时的非自然语言上下文信息,提出动态调整语义的词性加权多模态情感分析(part of speech weighted multi-modal sentiment analysis model with dynamic semantics adjustment,PW-DS)模型.该模型以自然语言为主体,分别使用基于Transformer的双向编码器表示(bidirectional encoder representation from Transformers,BERT)模型、广义自回归预训练(generalized autoregressive pretraining for language understanding,XLNet)模型和一种鲁棒优化的BERT预训练(robustly optimized BERT pretraining approach,RoBERTa)模型为文本模态做词嵌入编码;创建动态调整语义模块将自然语言和非自然语言信息有效结合;设计词性加权模块,提取单词词性并赋权以优化情感判别.与张量融合网络和低秩多模态融合等当前先进模型的对比实验结果表明,PW-DS模型在公共数据集CMU-MOSI和CMU-MOSEI上的平均绝对误差分别达到了0.607和0.510,二分类准确率分别为89.02%和86.93%,优于对比模型.通过消融实验分析了不同模块对模型效果的影响,验证了模型的有效性.展开更多
随着智慧政务的深入发展,针对政务平台在答复群众留言的质量与效率方面产生的多方面问题,依据政务绩效评估理论,结合ALBERT(A Lite BERT)等算法,研究了政务答复的及时性、相关性、详尽性、信息强度、可解释性和规范性;并根据自编码器提...随着智慧政务的深入发展,针对政务平台在答复群众留言的质量与效率方面产生的多方面问题,依据政务绩效评估理论,结合ALBERT(A Lite BERT)等算法,研究了政务答复的及时性、相关性、详尽性、信息强度、可解释性和规范性;并根据自编码器提取的潜在空间表征和熵权法确定的表征权重,构建政务答复质量的综合评价模型。对海关业务咨询的答复质量进行评价,其中各表征权重分别为0.098、0.436、0.466;归一化评分在0.2~0.4之间的答复最多,占比39.7%;模型对3000条随机选取的答复评分与人工评分的一致性程度为0.777,MSE为0.035,表明该模型能够反映真实的答复质量。展开更多
文摘为更好地利用单词词性包含的语义信息和伴随单词出现时的非自然语言上下文信息,提出动态调整语义的词性加权多模态情感分析(part of speech weighted multi-modal sentiment analysis model with dynamic semantics adjustment,PW-DS)模型.该模型以自然语言为主体,分别使用基于Transformer的双向编码器表示(bidirectional encoder representation from Transformers,BERT)模型、广义自回归预训练(generalized autoregressive pretraining for language understanding,XLNet)模型和一种鲁棒优化的BERT预训练(robustly optimized BERT pretraining approach,RoBERTa)模型为文本模态做词嵌入编码;创建动态调整语义模块将自然语言和非自然语言信息有效结合;设计词性加权模块,提取单词词性并赋权以优化情感判别.与张量融合网络和低秩多模态融合等当前先进模型的对比实验结果表明,PW-DS模型在公共数据集CMU-MOSI和CMU-MOSEI上的平均绝对误差分别达到了0.607和0.510,二分类准确率分别为89.02%和86.93%,优于对比模型.通过消融实验分析了不同模块对模型效果的影响,验证了模型的有效性.
文摘随着智慧政务的深入发展,针对政务平台在答复群众留言的质量与效率方面产生的多方面问题,依据政务绩效评估理论,结合ALBERT(A Lite BERT)等算法,研究了政务答复的及时性、相关性、详尽性、信息强度、可解释性和规范性;并根据自编码器提取的潜在空间表征和熵权法确定的表征权重,构建政务答复质量的综合评价模型。对海关业务咨询的答复质量进行评价,其中各表征权重分别为0.098、0.436、0.466;归一化评分在0.2~0.4之间的答复最多,占比39.7%;模型对3000条随机选取的答复评分与人工评分的一致性程度为0.777,MSE为0.035,表明该模型能够反映真实的答复质量。