全过程、多源智慧隐患排查系统

目前有些建筑工程尚未实现通过信息化的手段对安全生产过程中的安全隐患进行管控,缺乏对安全隐患规律的探索与挖掘,导致安全隐患类别易混淆、安全隐患识别易出错、安全隐患识别不完全、安全隐患识别不精准等管控准确度问题,存在安全隐患之间的关联特性被忽略的问题;实现全方位、全过程、全要素、全天候安全管控需要在安全隐患识别上投入大量的人力、时间。随着工程规模的扩大,传统的人工排查安全隐患模式的弊端也更加明显,本文针对建筑工程建立安全隐患指标体系,开发安全隐患排查系统,实现全要素、多维、全过程安全隐患智慧排查,以及隐患的智能分析、分析与挖掘。

基于对抗训练和片段级别的双向情感三元组抽取模型

方面级情感三元组抽取(Aspect Sentiment Triplet Extraction,ASTE)旨在识别句子中的方面词、观点词及其对应的情感极性。针对现有模型语义理解能力和泛化性不佳的问题,提出了基于对抗训练和片段级别的双向情感三元组抽取模型,预测情感极性时考虑了片段之间的相互作用,使用双仿射分类分析它们之间的情感依赖关系。为了保证上下游任务的一致性,通过SpanBERT(Improving Pre-training by Representing and Predicting Spans)模型得到词向量表征,使用BiGRU(Bidirectional Gated Recurrent Unit)网络进行特征提取,提出使用FGM(Fast Gradient Method)对抗训练算法提高模型的鲁棒性和泛化能力。相较于基线模型,基于对抗训练和片段级别的双向情感三元组抽取模型在4个数据集上的F1分数分别提升了0.85百分点、1.42百分点、2.27百分点和2.85百分点,表明了本文所提方法的可行性。