期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
结合特征降维的安卓恶意软件检测模型
1
作者
罗养霞
崔泽豪
李晓雨
《江西师范大学学报(自然科学版)》
北大核心
2025年第4期392-400,共9页
安卓生态系统的开放性和灵活性导致恶意软件激增,对用户信息与财产安全构成严重威胁.为了提高安卓恶意软件的检测效果,该文提出基于机器学习的安卓恶意软件检测模型.首先,通过对安卓恶意软件数值特征进行预处理,优化机器学习检测模型的...
安卓生态系统的开放性和灵活性导致恶意软件激增,对用户信息与财产安全构成严重威胁.为了提高安卓恶意软件的检测效果,该文提出基于机器学习的安卓恶意软件检测模型.首先,通过对安卓恶意软件数值特征进行预处理,优化机器学习检测模型的初始输入特征;然后,构建BP神经网络、SVR和XGBoost 3种安卓恶意软件检测模型进行对比,提出最优检测模型;最后,在最优检测模型的基础上,结合AE、PCA和GBDT 3种特征降维技术进行对比,提出结合特征降维的最优安卓恶意软件检测模型.实验结果表明:XGBoost检测模型的评价指标ε_(MAE)、ε_(RMSE)、R^(2)值分别为0.1475、0.1164、0.4718,效果最好.结合特征降维算法,AE-XGBoost检测模型的评价指标ε_(MAE)、ε_(RMSE)和R^(2)值分别为0.1127、0.0890、0.6918,效果最好.这表明基于机器学习的安卓恶意软件检测模型是一种有效的检测方法,该模型可以为信息安全提供重要技术支持.
展开更多
关键词
机器学习
安卓恶意软件检测
特征降维
XGBoost
自动编码器
在线阅读
下载PDF
职称材料
基于情感词典和堆叠残差的双向长短期记忆网络的情感分析
被引量：
14
2
作者
罗浩然
杨青
《计算机应用》
CSCD
北大核心
2022年第4期1099-1107,共9页
情感分析作为自然语言处理(NLP)的细分研究方向经历了使用情感词典、机器学习和深度学习分析的发展过程。针对使用一般化的深度学习模型作为文本分类器对于特定领域的网络评论类型的文本的分析的精准度较低,训练时发生过拟合现象以及情...
情感分析作为自然语言处理(NLP)的细分研究方向经历了使用情感词典、机器学习和深度学习分析的发展过程。针对使用一般化的深度学习模型作为文本分类器对于特定领域的网络评论类型的文本的分析的精准度较低,训练时发生过拟合现象以及情感词典覆盖率低、编纂工作量大的问题,提出了基于情感词典和堆叠残差的双向长短期记忆(Bi-LSTM)网络的情感分析模型。首先,借助情感词典中情感词的设计覆盖“教育机器人”研究领域内的专业词汇,从而弥补Bi-LSTM模型在分析此类文本时精准度的不足;然后,使用Bi-LSTM和SnowNLP来降低情感词典的编纂体量。长短期记忆(LSTM)网络的“记忆门”“遗忘门”结构可以在保证充分考虑评论文本中的前后词语的关联性的同时,适时选择遗忘一些已分析词语,从而避免反向传播时的梯度爆炸问题。而在将堆叠残差的Bi-LSTM引入后,不仅使得模型的层数加深至8层,而且还使残差网络避免了叠加LSTM时会导致的“退化”问题;最后,通过适当设置和调整两部分的得分权重,并将总分使用Sigmoid激活函数标准化到[0,1]的区间上,按照[0,0.5],(0.5,1]的区间划分分别表示负面和正面情绪,完成情感分类。实验结果表明,在“教育机器人”评论数据集中,所提模型对于情感分类准确率相较于标准的LSTM模型提升了约4.5个百分点,相较于BERT提升了约2.0个百分点。综上,所提模型将基于情感词典和深度学习模型的情感分类方法一般化;而通过修改情感词典中的情感词汇并适当调整深度学习模型的结构和层数,所提模型可以应用于电子商务平台中各类商品的购物评价的精确情感分析,从而帮助企业洞悉消费者的购物心理和市场需求,同时也可以为消费者提供商品质量的一种参考标准。
展开更多
关键词
双向长短期记忆网络
购物评论
情感分析
堆叠残差
情感词典
在线阅读
下载PDF
职称材料
题名
结合特征降维的安卓恶意软件检测模型
1
作者
罗养霞
崔泽豪
李晓雨
机构
西安财经
大学
信息学院
华中师范大学伍伦贡联合研究院
出处
《江西师范大学学报(自然科学版)》
北大核心
2025年第4期392-400,共9页
基金
国家自然科学基金(62301304)
陕西省自然科学基础研究计划(2025JC-YBMS-670)
国家留学基金委项目和西安财经大学研究生创新基金(23YC033)资助项目.
文摘
安卓生态系统的开放性和灵活性导致恶意软件激增,对用户信息与财产安全构成严重威胁.为了提高安卓恶意软件的检测效果,该文提出基于机器学习的安卓恶意软件检测模型.首先,通过对安卓恶意软件数值特征进行预处理,优化机器学习检测模型的初始输入特征;然后,构建BP神经网络、SVR和XGBoost 3种安卓恶意软件检测模型进行对比,提出最优检测模型;最后,在最优检测模型的基础上,结合AE、PCA和GBDT 3种特征降维技术进行对比,提出结合特征降维的最优安卓恶意软件检测模型.实验结果表明:XGBoost检测模型的评价指标ε_(MAE)、ε_(RMSE)、R^(2)值分别为0.1475、0.1164、0.4718,效果最好.结合特征降维算法,AE-XGBoost检测模型的评价指标ε_(MAE)、ε_(RMSE)和R^(2)值分别为0.1127、0.0890、0.6918,效果最好.这表明基于机器学习的安卓恶意软件检测模型是一种有效的检测方法,该模型可以为信息安全提供重要技术支持.
关键词
机器学习
安卓恶意软件检测
特征降维
XGBoost
自动编码器
Keywords
machine learning
Android malware detection
feature dimensionality reduction
XGBoost
autoencoder
分类号
TP309 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
基于情感词典和堆叠残差的双向长短期记忆网络的情感分析
被引量：
14
2
作者
罗浩然
杨青
机构
华中师范大学伍伦贡联合研究院
华中师范大学
计算机学院
国家语言资源监测与
研究
网络媒体中心
出处
《计算机应用》
CSCD
北大核心
2022年第4期1099-1107,共9页
文摘
情感分析作为自然语言处理(NLP)的细分研究方向经历了使用情感词典、机器学习和深度学习分析的发展过程。针对使用一般化的深度学习模型作为文本分类器对于特定领域的网络评论类型的文本的分析的精准度较低,训练时发生过拟合现象以及情感词典覆盖率低、编纂工作量大的问题,提出了基于情感词典和堆叠残差的双向长短期记忆(Bi-LSTM)网络的情感分析模型。首先,借助情感词典中情感词的设计覆盖“教育机器人”研究领域内的专业词汇,从而弥补Bi-LSTM模型在分析此类文本时精准度的不足;然后,使用Bi-LSTM和SnowNLP来降低情感词典的编纂体量。长短期记忆(LSTM)网络的“记忆门”“遗忘门”结构可以在保证充分考虑评论文本中的前后词语的关联性的同时,适时选择遗忘一些已分析词语,从而避免反向传播时的梯度爆炸问题。而在将堆叠残差的Bi-LSTM引入后,不仅使得模型的层数加深至8层,而且还使残差网络避免了叠加LSTM时会导致的“退化”问题;最后,通过适当设置和调整两部分的得分权重,并将总分使用Sigmoid激活函数标准化到[0,1]的区间上,按照[0,0.5],(0.5,1]的区间划分分别表示负面和正面情绪,完成情感分类。实验结果表明,在“教育机器人”评论数据集中,所提模型对于情感分类准确率相较于标准的LSTM模型提升了约4.5个百分点,相较于BERT提升了约2.0个百分点。综上,所提模型将基于情感词典和深度学习模型的情感分类方法一般化;而通过修改情感词典中的情感词汇并适当调整深度学习模型的结构和层数,所提模型可以应用于电子商务平台中各类商品的购物评价的精确情感分析,从而帮助企业洞悉消费者的购物心理和市场需求,同时也可以为消费者提供商品质量的一种参考标准。
关键词
双向长短期记忆网络
购物评论
情感分析
堆叠残差
情感词典
Keywords
Bidirectional Long Short-Term Memory(Bi-LSTM)network
shopping review
sentiment analysis
stacked residual
sentiment lexicon
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
结合特征降维的安卓恶意软件检测模型
罗养霞
崔泽豪
李晓雨
《江西师范大学学报(自然科学版)》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于情感词典和堆叠残差的双向长短期记忆网络的情感分析
罗浩然
杨青
《计算机应用》
CSCD
北大核心
2022
14
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
