检索结果-维普期刊中文期刊服务平台

基于标签交互Seq2Seq模型的多标签文本分类方法被引量：1: 1; 作者王嫄胡鹏 +3 位作者鄢艳玲王佳帅赵婷婷杨巨成《传感器与微系统》 CSCD 北大核心 2024年第8期155-159,共5页; 多标签文本分类任务可被建模为文本序列到标签序列的映射任务。然而,现有的序列到序列(Seq2Seq)模型仅从嘈杂文本中提取粗粒度的文本级表示,忽略了标签与单词之间细粒度的交互线索,导致类别理解偏差。对此,提出基于编码器—解码器结构... 展开更多; 关键词多标签文本分类序列到序列自适应门多头注意力标签嵌入; 在线阅读下载PDF 职称材料

基于深度学习的短文本情感倾向分析综述被引量：24: 2; 作者汤凌燕熊聪聪 +2 位作者王嫄周宇博赵子健《计算机科学与探索》 CSCD 北大核心 2021年第5期794-811,共18页; 短文本情感倾向分析是自然语言处理领域的关键研究问题之一。情感倾向分析是用于检测语言所蕴含主观倾向语义的一系列方法、技术和工具,是对文本深层语义理解的关键。短文本数据的随意性、高歧义性以及简短性使得传统基于特征工程和机... 展开更多; 关键词情感倾向分析短文本深度学习; 在线阅读下载PDF 职称材料

层级标签语义引导的极限多标签文本分类策略被引量：3: 3; 作者王嫄徐涛 +2 位作者王世龙周宇博史艳翠《中文信息学报》 CSCD 北大核心 2021年第10期110-118,共9页; 极限多标签文本分类任务具有标签集大、类间关系复杂、数据分布不平衡等特点,是具有挑战性的研究热点。现有模型对标签语义信息利用不足,性能有限。对此,该文提出一种利用层级标签语义信息引导的极限多标签文本分类模型提升策略,在训练... 展开更多; 关键词极限多标签文本分类层级标签弱监督语义指导; 在线阅读下载PDF 职称材料

面向短文本语义分析的标签条件神经主题模型: 4; 作者王嫄鄢艳玲 +3 位作者徐茂玲胡鹏赵婷婷杨巨成《计算机工程与应用》 CSCD 北大核心 2023年第11期80-87,共8页; 无监督机器学习方法中的神经主题模型已被广泛用于自动挖掘文本潜在语义。然而,短文本篇幅有限,文中可用于推断的信息匮乏,模型难以在上下文不充分的情况下正确识别歧义词。为此,提出了一种面向短文本语义分析的标签条件神经主题模型,... 展开更多; 关键词神经主题模型短文本泰勒损失; 在线阅读下载PDF 职称材料

题名基于标签交互Seq2Seq模型的多标签文本分类方法被引量：1: 1; 作者王嫄胡鹏鄢艳玲王佳帅赵婷婷杨巨成; 机构天津科技大学人工智能学院普迈康(天津)精准医疗科技有限公司; 出处《传感器与微系统》 CSCD 北大核心 2024年第8期155-159,共5页; 基金国家自然科学基金资助项目(61702367,61976156) 天津市企业科技特派员项目(20YDTPJC00560) 天津市自然科学基金资助项目(19JCYBJC15300)。; 文摘多标签文本分类任务可被建模为文本序列到标签序列的映射任务。然而,现有的序列到序列(Seq2Seq)模型仅从嘈杂文本中提取粗粒度的文本级表示,忽略了标签与单词之间细粒度的交互线索,导致类别理解偏差。对此,提出基于编码器—解码器结构的标签语义交互Seq2Seq模型。在文本语义提取阶段,使用门控机制融合粗粒度的文本级表示和细粒度的交互线索,最终得到类别理解纠正的文本表示。在2个标准数据集上,与LEAM,LSAN,SGM等6个算法进行对比实验,结果表明,本文模型在2个主要评价指标上均得到显著提升。; 关键词多标签文本分类序列到序列自适应门多头注意力标签嵌入; Keywords multi-label text classification sequence to sequence(Seq2Seq) adapative gate multi-head attention label embedding; 分类号 TP391 [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

题名基于深度学习的短文本情感倾向分析综述被引量：24: 2; 作者汤凌燕熊聪聪王嫄周宇博赵子健; 机构天津科技大学人工智能学院普迈康(天津)精准医疗科技有限公司; 出处《计算机科学与探索》 CSCD 北大核心 2021年第5期794-811,共18页; 基金国家自然科学基金(61702367,61976156,11803022,61807024) 天津市教委科研计划项目(2017KJ033,2017KJ034,2017KJ035,2018KJ105,2018KJ106) +1 种基金天津市企业技术特派员项目(20YDTPJC00560)。; 文摘短文本情感倾向分析是自然语言处理领域的关键研究问题之一。情感倾向分析是用于检测语言所蕴含主观倾向语义的一系列方法、技术和工具,是对文本深层语义理解的关键。短文本数据的随意性、高歧义性以及简短性使得传统基于特征工程和机器学习分类技术的情感倾向分析任务性能有限。随着深度学习技术在自然语言处理中的广泛应用,基于深度学习的短文本情感倾向分析模型取得了新的突破。通过对相关文献的梳理,首先概述和对比了传统方法和深度学习方法,介绍和剖析了近年基于深度学习的短文本情感倾向分析模型,并阐述了模型的联系、区别与优势;其次归纳了深度学习在短文本情感倾向分析中的研究热点和进展思路,介绍了情感倾向分析常用的公开数据集以及评价指标;最后结合深度学习技术特点和任务难点,对深度学习在短文本情感倾向分析方向的应用前景进行预测。; 关键词情感倾向分析短文本深度学习; Keywords sentiment tendency analysis short text deep learning; 分类号 TP391 [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

题名层级标签语义引导的极限多标签文本分类策略被引量：3: 3; 作者王嫄徐涛王世龙周宇博史艳翠; 机构天津科技大学人工智能学院普迈康(天津)精准医疗科技有限公司; 出处《中文信息学报》 CSCD 北大核心 2021年第10期110-118,共9页; 基金国家自然科学基金(61702367,61976156,11803022,61807024) 天津市企业科技特派员项目(20YDTPJC00560) +1 种基金天津市自然科学基金(19JCYBJC15300); 文摘极限多标签文本分类任务具有标签集大、类间关系复杂、数据分布不平衡等特点,是具有挑战性的研究热点。现有模型对标签语义信息利用不足,性能有限。对此,该文提出一种利用层级标签语义信息引导的极限多标签文本分类模型提升策略,在训练和预测过程中给予模型层级标签引导的弱监督语义指导信息,利用这种弱监督信息规约多标签文本分类任务中要对应的多标签语义边界。在标准数据集上的实验结果表明,该文所提策略能够有效提升现有模型性能,尤其在短文本数据集中增效显著,宏精准率最高提升21.23%。; 关键词极限多标签文本分类层级标签弱监督语义指导; Keywords extreme multi-label text classification hierarchical labels weakly supervised semantic guidance; 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

题名面向短文本语义分析的标签条件神经主题模型: 4; 作者王嫄鄢艳玲徐茂玲胡鹏赵婷婷杨巨成; 机构天津科技大学人工智能学院普迈康(天津)精准医疗科技有限公司; 出处《计算机工程与应用》 CSCD 北大核心 2023年第11期80-87,共8页; 基金国家自然科学基金(61702367,61976156) 天津市企业科技特派员项目(20YDTPJC00560) 天津市自然科学基金(19JCYBJC15300)。; 文摘无监督机器学习方法中的神经主题模型已被广泛用于自动挖掘文本潜在语义。然而,短文本篇幅有限,文中可用于推断的信息匮乏,模型难以在上下文不充分的情况下正确识别歧义词。为此,提出了一种面向短文本语义分析的标签条件神经主题模型,模型采用变分自编码器架构,在编码器输出的主题分布上引入文本的标签信息,作为主题类别级的语义标识符指导模型过滤与当前主题语义不相关的词、凝练语义并辨识歧义词在主题语境下的准确词义,引导模型推断离散一致的主题。针对短文本应用过程中主题语义分布统计显著有偏的数据特点,在模型训练过程中引入泰勒损失,通过调整泰勒多项式系数建模短文本类别分布不平衡。实验结果表明,该模型不仅能够极大提高短文本主题建模的质量,生成连贯且多样的主题,而且能有效提升下游任务性能。; 关键词神经主题模型短文本泰勒损失; Keywords neural topic models short texts PolyLoss; 分类号 TP391 [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	基于标签交互Seq2Seq模型的多标签文本分类方法	王嫄胡鹏鄢艳玲王佳帅赵婷婷杨巨成	《传感器与微系统》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
2	基于深度学习的短文本情感倾向分析综述	汤凌燕熊聪聪王嫄周宇博赵子健	《计算机科学与探索》 CSCD 北大核心	2021	24	在线阅读下载PDF 职称材料
3	层级标签语义引导的极限多标签文本分类策略	王嫄徐涛王世龙周宇博史艳翠	《中文信息学报》 CSCD 北大核心	2021	3	在线阅读下载PDF 职称材料
4	面向短文本语义分析的标签条件神经主题模型	王嫄鄢艳玲徐茂玲胡鹏赵婷婷杨巨成	《计算机工程与应用》 CSCD 北大核心	2023	0	在线阅读下载PDF 职称材料