- 
                题名基于语义特征提取的隐式情感分析方法
            
- 1
- 
                
            
- 
                
                            作者
                                丛眸
                                彭涛
                                朱蓓蓓
                
            
- 
                    机构
                    
                            吉林大学计算机科学与技术学院
                            吉林大学符号计算与知识工程教育部重点实验室
                    
                
- 
                出处
                
                
                    《吉林大学学报(理学版)》
                    
                            北大核心
                    
                2025年第1期107-113,共7页
            
- 
                        基金
                        
                                    国家自然科学基金(批准号:61872163)
                                    吉林省科技厅重点科技研发项目(批准号:20210201131GX).
                        
                    
- 
                    文摘
                        针对目前隐式情感语句中情感词不明显或较少、表达方式委婉等问题,提出一种基于语义特征提取的隐式情感分析方法.该方法通过引入与隐式情感语句相关的事实信息作为辅助特征,并利用RoBERTa预训练模型对文本及其辅助特征进行深度语义交互,以获取全局特征;同时,采用双向门控循环单元(BiGRU)捕捉局部特征,最后结合注意力池化技术计算情感权重,从而更准确地识别和理解隐含的情感信息.在数据集Snopes和PolitiFact上进行仿真实验,实验结果表明,该方法在隐式情感分析方面性能优异,不仅在多个评价指标上超越了现有方法,且整体性能得到显著提升,为更广泛的情感分析应用场景提供了有效的解决方案,特别是在处理复杂和间接表达的情感内容时,具有重要的应用价值和意义.
                        
                    
            
- 
                    关键词
                    
                            语义特征
                            隐式情感分析
                            双向门控循环单元
                            注意力池化
                    
                
- 
                    Keywords
                    
                            semantic feature
                            implicit sentiment analysis
                            bidirectional gated recurrent unit
                            attention pooling
                    
                
- 
                    分类号
                    
                            
                                
                                    TP391.43
[自动化与计算机技术—计算机应用技术]                                
                            
                    
                
- 
                
            
            - 
                题名基于词元语义特征的汉语框架排歧研究
                    被引量:7
            
- 2
- 
                
            
- 
                
                            作者
                                李国臣
                                张立凡
                                李茹
                                刘海静
                                石佼
                
            
- 
                    机构
                    
                            山西大学计算机与信息技术学院
                            太原工业学院
                            计算智能与中文信息处理教育部重点实验室
                    
                
- 
                出处
                
                
                    《中文信息学报》
                    
                            CSCD
                            北大核心
                    
                2013年第4期44-51,共8页
            
- 
                        基金
                        
                                    国家自然科学基金资助项目(60970053)
                                    国家语委"十二五"科研规划资助项目(YB125-19)
                                +1 种基金
                                    山西省国际科技合作资助项目(2010081044)
                                山西省自然科学基金资助项目(20090110594)
                        
                    
- 
                    文摘
                        框架排歧指的是在一个给定的句子中,判断句中目标词激起的语义场景与该目标词可能激起的哪个框架一致,则将该框架分配给当前的目标词。框架排歧最重要的一个步骤就是特征选择,目前常用的方法是人工特征选择方法,但是这种方法不能有效地利用每个目标词的语义特征,而且大量实验表明,不同的目标词取得最好的结果时所用的特征模板是不同的。因此,该文为每个目标词设置一个特征模板,并提出了特征模板的自动选择算法,首先从语料中抽取特征构成特征集,然后利用打分机制,把特征集中得分最高的特征逐个加入到特征模板中,直到相邻两次的得分不再增加。该文借助汉语框架网语义资源,利用最大熵模型建模,使用自动特征选择算法选出特征模板,并进行5-fold交叉验证,平均精确率可达到84.46%。
                        
                    
            
- 
                    关键词
                    
                            框架排歧
                            汉语框架网语义资源
                            自动特征选择
                            词元语义特征
                    
                
- 
                    Keywords
                    
                            Chinese frame disambiguation
                             Chinese FrameNet
                             automatic feature selection
                             semantic feature of lexi-cal units
                    
                
- 
                    分类号
                    
                            
                                
                                    TP391
[自动化与计算机技术—计算机应用技术]                                
                            
                    
                
- 
                
            
            - 
                题名融合扩展信息瓶颈理论的话题关联检测方法研究
                    被引量:4
            
- 3
- 
                
            
- 
                
                            作者
                                杨玉珍
                                刘培玉
                                费绍栋
                                张成功
                
            
- 
                    机构
                    
                            山东师范大学信息科学与工程学院
                            山东省分布式计算机软件新技术重点实验室
                            山东财经大学图书馆
                    
                
- 
                出处
                
                
                    《自动化学报》
                    
                            EI
                            CSCD
                            北大核心
                    
                2014年第3期471-479,共9页
            
- 
                        基金
                        
                                    国家自然科学基金(60873247)
                                    山东省自然基金(ZR2012FM038)
                                    山东省科技发展计划(2012GGB01194)资助~~
                        
                    
- 
                    文摘
                        话题关联检测的关键任务在于判断给定报道对是否属于同一话题.现有判断方法往往忽略种子事件与其直接相关事件之间的层次关系.为此,通过分析报道内部语义分布规律及篇章结构,并依据语义分布规则,利用语义分布规律改进信息瓶颈(Information bottleneck,IB)算法,用于子话题逻辑语义单元的划分,并利用这些逻辑语义单元表示报道,进行话题关联检测.实验证明该方法有较快的收敛速度,并在一定程度上提高了系统性能.
                        
                    
            
- 
                    关键词
                    
                            关联检测
                            逻辑语义单元
                            信息瓶颈
                            单元特征
                    
                
- 
                    Keywords
                    
                            Link detection, logical semantic unit, information bottleneck (IB), unit features
                    
                
- 
                    分类号
                    
                            
                                
                                    TP274
[自动化与计算机技术—检测技术与自动化装置]                                
                            
                    
                
- 
                
            
            - 
                题名基于语义属性的人脸表情识别新方法
                    被引量:2
            
- 4
- 
                
            
- 
                
                            作者
                                于永斌
                                刘清怡
                                毛启容
                                詹永照
                
            
- 
                    机构
                    
                            江苏大学计算机科学与通信工程学院
                    
                
- 
                出处
                
                
                    《小型微型计算机系统》
                    
                            CSCD
                            北大核心
                    
                2016年第2期332-336,共5页
            
- 
                        基金
                        
                                    国家自然科学基金项目(61272211)资助
                                    江苏省六大人才高峰计划项目(DZXX-026)资助
                                    江苏大学高级人才基金项目(10JDG065)资助
                        
                    
- 
                    文摘
                        针对人脸表情底层视觉特征无法表达高层语义的问题,提出一种基于语义属性的人脸表情识别新方法.该方法利用表情语义属性这一中间人脸表情特征表示方法可在个别类别样本很少的情况下共享情感特征信息的特点,通过统计CK+库中人脸表情AU(Action Unit)编码建立表情语义属性与表情类别矩阵,然后采用SIFT(Scale-Invariant Feature Transform)底层视觉特征训练获得语义属性标注器,最后利用贝叶斯模型识别人脸表情.在CK+和BU-3DFE两个公开人脸表情数据库上的实验结果表明,与其它底层特征提取方法相比,该方法能有效提取表情特征信息并且把8种表情类别的平均识别率提高了4%.
                        
                    
            
- 
                    关键词
                    
                            人脸表情识别
                            语义属性
                            人脸运动单元
                            底层视觉特征
                    
                
- 
                    Keywords
                    
                            facial expression recognition 
                             semantic attribute 
                             action unit 
                             low-level visual feature
                    
                
- 
                    分类号
                    
                            
                                
                                    TP391
[自动化与计算机技术—计算机应用技术]                                
                            
                    
                
- 
                
            
            - 
                题名基于多层特征的字符串相似度计算模型
                    被引量:40
            
- 5
- 
                
            
- 
                
                            作者
                                章成志
                
            
- 
                    机构
                    
                            南京大学信息管理系
                    
                
- 
                出处
                
                
                    《情报学报》
                    
                            CSSCI
                            北大核心
                    
                2005年第6期696-701,共6页
            
- 
                    文摘
                        针对计算字符串相似度传统方法的不足之处,提出以相似元作为字符串的基本处理单元,综合考虑相似元的字面、语义及统计关联等多层特征的字符串相似度计算方法.对常规计算方法中存在的,由相似元排序引起的相似元位置信息丢失问题进行了修正.实验结果表明该算法的有效性,并且对句子间、段落间的相似度计算有启发意义.
                        
                    
            
- 
                    关键词
                    
                            字符串相似度
                            相似元
                            字面相似度
                            语相似度
                            多特征度量
                    
                
- 
                    Keywords
                    
                            Chinese string similarity, similarity unit, multiple-features measuring, literal similarity, semantic similarity.
                    
                
- 
                    分类号
                    
                            
                                
                                    TP18
[自动化与计算机技术—控制理论与控制工程]                                
                            
                            
                                
                                    TP311.1
[自动化与计算机技术—计算机软件与理论]                                
                            
                    
                
- 
                
            
            - 
                题名融合注意力门控机制的大场景点云语义分割
                    被引量:1
            
- 6
- 
                
            
- 
                
                            作者
                                王蕾
                                朱芬芬
                                李金萍
                                刘华
                
            
- 
                    机构
                    
                            东华理工大学信息工程学院
                            江西省放射性地学大数据技术工程实验室
                            东华理工大学测绘工程学院
                    
                
- 
                出处
                
                
                    《激光与红外》
                    
                            CAS
                            CSCD
                            北大核心
                    
                2023年第11期1785-1792,共8页
            
- 
                        基金
                        
                                    江西省核地学数据科学与系统工程技术研究中心基金项目(No.JELRGBDT202202)
                                    江西省放射性地学大数据技术工程实验室开放基金项目(No.JELRGBDT202103)
                                +2 种基金
                                    江西省自然科学基金项目(No.20202BABL212014)
                                    东华理工大学江西省数字国土重点实验室开放研究基金项目(No.DLLJ202004)
                                国家自然科学基金项目(No.42001411)资助。
                        
                    
- 
                    文摘
                        室外大场景激光点云语义分割已成为3D场景理解、环境感知的关键性技术,在自动驾驶、智能机器人和增强现实(AR)等领域应用广泛。然而大场景的激光点云具有多目标、几何结构复杂,不同地物尺度变化大等特点,使得在稀疏的小目标点云(例如行人、摩托车等)上的分割性能较低。针对上述问题,本文提出一种融合注意力门控机制的室外点云语义分割算法,设计由注意力机制和多尺度上下文特征融合组成的注意力门控单元,提高对激光点云细粒度特征的表达,降低随机降采样过程中点云几何结构特征丢失程度,从而增强了网络对弱小目标的特征获取能力;同时设计基于共享MLP的平均池化单元,进一步简化自注意力局部特征聚合模块,有效地加速网络收敛,能高效地实现大场景点云的语义分割。本文方法在自动驾驶场景室外激光点云数据集SemanticKITTI上的实验表明,与文献RandLA-Net相比,收敛速度提升48.3%,平均交并比(mIoU)由53.9%提升至54.5%,提高0.6%,尤其是在小目标上交并比(IoU)均有明显提高,person类和motorcycle类的交并比分别提高0.8%和5.4%。
                        
                    
            
- 
                    关键词
                    
                            大场景激光点云
                            语义分割
                            随机降采样
                            平均池化单元
                            注意力门控单元
                            多尺度特征融合
                    
                
- 
                    Keywords
                    
                            large-scale point cloud
                            semantic segmentation
                            random sampling
                            average pooling unit
                            attentive gating unit
                            multi-scale feature fusion
                    
                
- 
                    分类号
                    
                            
                                
                                    TN249
[电子电信—物理电子学]                                
                            
                            
                                
                                    TP391.41
[自动化与计算机技术—计算机应用技术]                                
                            
                    
                
- 
                
            
            - 
                题名混合神经网络和条件随机场相结合的文本情感分析
                    被引量:6
            
- 7
- 
                
            
- 
                
                            作者
                                翟学明
                                魏巍
                
            
- 
                    机构
                    
                            华北电力大学控制与计算机工程学院
                    
                
- 
                出处
                
                
                    《智能系统学报》
                    
                            CSCD
                            北大核心
                    
                2021年第2期202-209,共8页
            
- 
                        基金
                        
                                    中央高校基本科研业务费专项资金项目(2018QN078).
                        
                    
- 
                    文摘
                        针对当前文本情感分析中神经网络模型训练时间长,上下文信息学习不足的问题,该文提出了一种结合混合神经网络和条件随机场(conditional random fields,CRF)的模型。该模型将神经网络作为语言模型,结合了卷积神经网络(convolutional neural networks,CNN)与双向门控循环单元(bidirectional gated recurrent unit,Bi-GRU)两种神经网络获得的语义信息和结构特征,采用条件随机场模型作为分类器,计算情感概率分布,进而能够准确地判断情感类别。该文的模型在NLPCC 2014数据集上进行了测试,准确率为91.74%,与其他分类模型相比,可以获得更好的准确性和F值。
                        
                    
            
- 
                    关键词
                    
                            卷积神经网络
                            门控循环单元
                            条件随机场
                            文本情感分析
                            语言模型
                            语义特征
                            上下文信息
                            分类器
                    
                
- 
                    Keywords
                    
                            convolutional neural network(CNN)
                            gated recurrent unit(GRU)
                            conditional random field(CRF)
                            text sentiment analysis
                            language model
                            semantic feature
                            contextual information
                            classifier
                    
                
- 
                    分类号
                    
                            
                                
                                    TP391
[自动化与计算机技术—计算机应用技术]                                
                            
                    
                
- 
                
            
            - 
                题名基于语义与形态特征融合的语义分割网络
                    被引量:3
            
- 8
- 
                
            
- 
                
                            作者
                                魏博文
                                全红艳
                
            
- 
                    机构
                    
                            华东师范大学软件工程学院
                            华东师范大学计算机学院
                    
                
- 
                出处
                
                
                    《电子学报》
                    
                            EI
                            CAS
                            CSCD
                            北大核心
                    
                2022年第11期2688-2697,共10页
            
- 
                    文摘
                        视网膜血管检测有助于医生诊断视网膜疾病,而以往基于特征融合的算法难以解决视网膜血管检测中出现的漏分割问题,且分割准确率较低.本文对特征融合方式做出进一步探索,并提出一种基于语义与形态特征融合的算法,通过挖掘输入特征中蕴含的语义与形态信息,建模特征间的相关关系.随后,使用特征融合模块实现多模态特征自适应地融合.在公开数据集DRIVE以及STARE上的实验结果表明,文章算法优于现有的语义分割模型,尤其在敏感性上,比传统U-Net网络提升了8.20%.
                        
                    
            
- 
                    关键词
                    
                            语义分割
                            视网膜血管检测
                            形态特征
                            语义特征
                            卷积模块
                            特征融合
                    
                
- 
                    Keywords
                    
                            semantic segmentation
                            retinal vessel detection
                            morphological features
                            semantic features
                            convolution unit
                            feature fusion
                    
                
- 
                    分类号
                    
                            
                                
                                    TP391
[自动化与计算机技术—计算机应用技术]                                
                            
                    
                
- 
                
            
            - 
                题名结合BERT和BiSRU-AT的中文文本情感分类
                    被引量:6
            
- 9
- 
                
            
- 
                
                            作者
                                黄泽民
                                吴晓鸰
                                吴迎岗
                                凌捷
                
            
- 
                    机构
                    
                            广东工业大学计算机学院
                    
                
- 
                出处
                
                
                    《计算机工程与科学》
                    
                            CSCD
                            北大核心
                    
                2021年第9期1668-1675,共8页
            
- 
                        基金
                        
                                    广东省重点领域研发计划(2019B010139002)
                                    广州市重点领域研发计划(202007010004)。
                        
                    
- 
                    文摘
                        针对传统语言模型的词向量表示无法解决多义词表征的问题,以及现有情感分析模型不能充分捕获长距离语义信息的问题,提出了一种结合BERT和BiSRU-AT的文本情感分类模型BERT-BiSRU-AT。首先用预训练模型BERT获取融合文本语境的词向量表征;然后利用双向简单循环单元(BiSRU)二次提取语义特征和上下文信息;再利用注意力机制对BiSRU层的输出分配权重以突出重点信息;最后使用Softmax激励函数得出句子级别的情感概率分布。实验采用中文版本的推特数据集和酒店评论数据集。实验结果表明,结合BERT和BiSRU-AT的文本情感分析模型能够获得更高的准确率,双向简单循环模型和注意力机制的引入能有效提高模型的整体性能,有较大的实用价值。
                        
                    
            
- 
                    关键词
                    
                            文本情感分析
                            语义特征
                            注意力机制
                            双向简单循环单元
                            双向解码器
                    
                
- 
                    Keywords
                    
                            text emotion analysis
                            semantic feature
                            attention mechanism
                            bidirectional simple recurrent unit
                            bidirectional encoder
                    
                
- 
                    分类号
                    
                            
                                
                                    TP391
[自动化与计算机技术—计算机应用技术]                                
                            
                    
                
-