基于深度学习的知识图谱补全算法的研究
这是一篇关于知识图谱补全,实体类别补全,实体关系补全,双向长短期记忆网络,迁移学习,注意力机制,卷积神经网络的论文, 主要内容为进入互联网时代以来,人们的生产生活中时刻产生着大量数据,如何快速高效地理解和利用这些信息,成为了当前的研究热点。知识图谱技术的出现在一定程度上解决了这个问题。在知识图谱中,图谱补全是一个重要任务。本文主要研究知识图谱补全技术中的实体类别补全技术和实体关系补全技术。在实体类别补全方面,针对缺少标注数据的问题,本文提出了一种基于迁移学习的实体类别补全模型。该模型先构建了一个映射关系模型,并用映射关系模型计算有标注语料的实体类别和无标注语料的实体类别的语义相似度,从而对无标注语料的每个实体类别构建相应的有标注语料的映射类别集合。然后,将代表映射类别集的句子向量组合输入到双向长短期记忆网络中,并对无标注实体类别进行训练。根据映射类别集中各个类别与相应的无标注类别的语义距离构建注意力机制,用实体分类器对未标注的实体进行分类,从而达到补全的目的。实验证明,本文提出的补全模型解决了在无标注情况下进行实体类别补全的问题,且在无标注和稀疏标注下的补全效果有明显提升。在实体关系补全方面,本文提出了一种结合注意力机制和卷积神经网络的实体关系补全模型。以往的卷积神经网络模型只是利用过滤器抽取文本特征进行补全,没有考虑到不同特征信息的参考价值不同的问题。针对此问题,本文提出的模型先利用卷积神经网络抽取头实体和关系的特征信息,然后,通过注意力机制从通道和空间两个方面对特征进行进一步的信息提取,并对不同的特征分配相应的权重,从而对尾实体进行补全。实验证明,本文提出的补全模型能够有效地处理实体关系补全的问题。
航空发动机燃油分配器健康状态评估及寿命预测研究
这是一篇关于航空发动机燃油分配器,健康状态评估,寿命预测,云模型,双向长短期记忆网络的论文, 主要内容为航空发动机代表着一个国家的综合国力,是保证国防安全和国家战略优势的核心技术。燃油分配器作为航空发动机燃油系统中的关键部件之一,对其运行的可靠性、安全性、经济性的要求越来越高。由于缺少对燃油分配器的监测手段,国内在燃油分配器健康管理方向研究成果较少,给燃油分配器的维护工作造成很大困难。本文在搭建燃油分配器性能试验台的基础上,开展燃油分配器健康状态评估与寿命预测研究工作,研究确定了燃油分配器各指标权重及各健康状态云化区间阈值,改进云模型结构并优化云重心评价方法,并根据评估结果判断是否对设备进行寿命预测。同时设计基于深度置信网络(Deep Belief Network,DBN)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、双向长短期记忆网络(Bidirectional Long Short-Term memory,Bi LSTM)的寿命预测模型,科学地对燃油分配器进行健康状态评估与寿命预测。首先,设计了燃油分配器健康状态评估与寿命预测的总体方案,搭建燃油分配器性能试验台,通过操作试验台模拟燃油分配器工作状态,使用Lab VIEW数控采集系统对燃油分配器运行状态进行监测并保存其运转数据。其次,针对指标复杂的燃油分配器,本文提出了基于改进云模型的燃油分配器健康状态评估模型,通过改进云模型结构使得模型能较好地表示相邻状态等级间的模糊性,有效提高了模型评价的准确率。为了解决云化区间阈值受人主观经验影响的问题,通过组合赋权法将熵权法和三标度层次分析法的主客观指标权重进行组合;使用K-means算法对实测数据进行聚类得到各指标状态区间阈值,进而确定云化区间;经实例验证该方法合理有效,便于维护人员了解燃油分配器的运行状态。再次,针对单一寿命预测模型准确度低的问题,本文通过DBN提取设备退化特征构建健康指标,使用WOA对Bi LSTM网络参数进行寻优,再将健康指标输入优化好的模型中进行寿命预测,构建应用于燃油分配器的DBN-WOA-Bi LSTM寿命预测模型。该模型预测精度更高,更加符合燃油分配器的性能退化趋势,准确地预测了燃油分配器的剩余寿命。最后,开发了燃油分配器健康状态评估与寿命预测仿真平台。将QT5.12作为软件系统的开发环境,选用My SQL数据库存储燃油分配器的检测数据及仿真软件得出的维护决策。该软件系统清晰易懂,根据界面引导即可得到健康状态评估及寿命预测结果,便于维护人员操作,在系统使用过程中证实了本文所提方法的可行性,在燃油分配器健康状态评估与寿命预测中发挥了重要作用。
基于BERT和深度神经网络的隐式文本情感分析研究
这是一篇关于隐式情感分析,BERT模型,双向长短期记忆网络,上下文语境,双向门控循环单元,交互注意力机制的论文, 主要内容为随着互联网技术的不断提升和信息技术革命的持续推进,各种社交网络、论坛和电商平台(如微博、Facebook、知乎和抖音等)相继涌现,同时也催生了海量的文本数据,包含用户分享、交流和购物评价等信息。这些文本数据不仅能够反映用户真实的情感信息,而且也为情感分析提供了广阔的研究空间。因此,对这些文本数据进行情感分析可以很好地挖掘和监控社会观点,具有很强的应用价值。对政府而言,能够随时了解民生状况,对商家而言,可以通过改善服务质量和提高产品质量吸引更多的消费者。对文本数据进行情感分析需要使用文本处理技术(如自然语言处理技术)表示文本特征并对其进行情感分类。文本情感分析作为自然语言处理领域的研究子领域已经成为目前研究热点之一。根据文本中的主观性和客观性,将情感文本中的句子分为显式情感句和隐式情感句两类。目前,对显式情感句的情感分类研究已经取得显著效果。然而,隐式情感句是一种没有任何明确的情感词汇来陈述事实的句子,缺少了情感词作为线索,导致对隐式情感句进行情感分类的难度增大。特别是现有的大多数情感分类方法不能很好地挖掘隐式情感句的深层语义特征且没有充分利用上下文语境信息。对于隐式情感文本来说,句子本身提供的情感信息并不多,大部分情感信息都集中于上下文语境中。为了解决这些问题,本文从隐式情感句本身和上下文语境信息两个方面展开研究工作,主要贡献如下:(1)为了解决现有多数情感分类模型不能很好地提取隐式情感句深层的语法、语义和词向量特征的问题,本文提出一种融合多个神经网络的中文隐式情感分析模型BERT-CNN-Bi LSTM-Attention(BCBA)。该模型融合了BERT(Bidirectional Encoder Representations from Transformers)模型、双向长短期记忆网络(Bi-directional Long ShortTerm Memory,Bi LSTM)、卷积神经网络(Convolutional Neural Network,CNN)和注意力机制(Attention)。首先,采用BERT预训练模型代替传统的词向量生成技术来有效提取文本特征,并捕获底层的语义和语法信息;然后将提取到的词向量特征输入到CNN网络获取隐式情感句的局部重要信息,输出结果通过Bi LSTM的双通道网络来获取词语之间的时序信息并解决隐式情感句长依赖问题,接着引入注意力机制进行情感权重计算,以捕获重要的文本情感信息,最后通过softmax层做最终的情感类别判断。该模型在中文隐式情感分析评测(SMP-ECISA)数据集上进行实验,结果表明该模型相较于一些深度神经网络在中文隐式情感分类任务上取得了较好的性能。(2)在进行隐式情感分析研究时,发现许多目标情感句的情感极性并不明显,只有将其放在相应的上下文语境中才能够更好地体现其情感类别。因此,本文在BCBA模型的基础上融入上下文语义特征,提出一种新的隐式情感分析模型BCBA-CF。采用双向门控循环单元(Bi GRU)和注意力机制提取情感目标句的上下文语义特征,然后使用BCBA模型提取情感目标句的深层特征,接着采用交互注意力机制相互注意这两个特征表示,最后使用softmax层进行最终的情感类别判断。该模型在SMP-ECISA公共数据集上进行实验,结果表明相较于之前的模型,该模型性能得到显著提升。
面向汽车领域的评论文本情感分析研究
这是一篇关于汽车评论,双向长短期记忆网络,SO-PMI算法,情感词典,注意力机制的论文, 主要内容为伴随着现代科技的高速发展,互联网促进了信息的进一步交流,越来越多的消费者喜欢通过网络来分享、交流个人对商品的评价和喜好程度,由此便产生了大量的评论文本。这类文本大多出现在电商平台、外卖平台以及一些社区论坛中,例如常见的淘宝、美团外卖以及汽车之家等。在这些文本评论中,往往蕴含了评论者对该产品的情感倾向,因此针对商品评论的情感分析,不仅能够为消费者提供指导性建议,同时也能帮助企业及时获取消费者的喜好,进而指导商业决策。目前情感分析任务在网络购物、社交媒体等领域已经有了巨大发展,但在汽车领域相关的研究还相对较少。本文针对汽车领域在线评论文本,重点关注在线汽车评论文本情感分析的挑战以及现有情感分析技术在汽车评论领域所存在的问题。针对此间问题,本文主要开展了引入注意力机制的长短期记忆网络模型在汽车评论文本情感分析的研究,主要进行了以下工作:(1)针对传统机器学习方法对大数据文本的特征拟合能力较弱的问题,以及卷积神经网络在处理序列数据时其自身存在的难以获取文本数据的序列关系的问题。本文在针对在线评论文本的情感分析研究中,提出了一种基于双向长短期记忆网络的模型并将注意力机制引入其中,实现将局部特征提取能力融合到序列化特征信息提取中。此外,本文在模型设计工作中探索在词向量训练阶段加入情感信息的影响,使得该模型能够提升文本情感分析任务的效果;(2)通过网络爬虫技术,爬取汽车领域相关的在线评论,并对所获取的评论文本进行数据清洗标注,以实现构建面向汽车领域在线评论数据集;此外通过对所爬取的网络文本进行分析发现,现有的情感词典不足以覆盖互联网上不断涌现的情感新词。为了有效提高情感分析任务的准确性和适用性,本文提出基于SO-PMI算法的汽车领域情感词典构建方法,通过该方法实现对评论文本中出现并且未收录到基础情感词典的情感词构建一个新的领域情感词典,以增强基本情感词典的覆盖度;(3)对整理构建后的汽车评论文本数据集在上述模型中进行训练实验,使得该模型能够更好地抽取关于汽车评论文本的特征,并通过设置对比实验,优化提升该模型在汽车领域文本评论情感倾向分析的准确率。本文所提出的方法最终在汽车领域的文本评论分类准确率可以达到90%以上,具有一定的应用价值。
面向医学文献摘要的知识抽取
这是一篇关于医学文献摘要,医学实体抽取,双向长短期记忆网络,条件随机场,注意力机制的论文, 主要内容为医学文献的摘要部分包含丰富的医学知识,是重要的医学知识来源。从医学文献摘要中抽取医学实体等知识可以帮助医学领域专家构建医学知识图谱,辅助医生快速获取和学习医学知识。本文针对医学文献摘要的文本特点,重点研究医学实体知识的抽取。通过结合双向长短期记忆网络和条件随机场,设计面向医学文献摘要的医学实体抽取模型,实现面向医学文献摘要的知识抽取工具,帮助医生快速抽取医学实体等医学知识。本文的主要工作:1.制定了面向医学文献摘要的医学知识框架,设计了一套医学文献摘要的语料标注准则,结合医学领域专家的领域知识生成了一个标注后的数据集。2.设计了面向医学文献摘要的医学实体抽取模型,其中医学实体标签预测方法包括三种:基于BiLSTM+Softmax的医学实体标签预测方法,基于BiLSTM+CRF的医学实体标签预测方法,基于BiLSTM+Attention+CRF的医学实体标签预测方法。并将基于BiLSTM+Attention+CRF的医学实体抽取模型应用于JNLPBA2004数据集,通过实验分析模型的查准率、查全率和F1值。结果表明了基于BiLSTM+Attention+CRF医学实体抽取模型提高了医学文献摘要中抽取知识的准确率,解决了医生无法高效获取医学文献摘要中医学知识的问题。3.设计并实现了一个面向医学文献摘要的知识抽取工具。首先利用医学实体抽取模型从医学文献摘要中抽取医学实体知识,再结合医学知识框架抽取医学实体间关系知识,最后形成RDF形式的医学知识。本文的主要贡献是面向医学文献摘要的医学实体抽取模型。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设港湾 ，原文地址：https://m.bishedaima.com/lunwen/48721.html
