面向动物卫生领域舆情监测的主题分类与信息抽取研究
这是一篇关于动物卫生,舆情监测,主题分类,信息抽取的论文, 主要内容为随着经济全球化的发展,动物及其产品流通日益频繁,疫病传播机会增加。环境污染和生态平衡破坏使动物病原发生变异,给疫病防治工作带来困难。而在互联网迅猛发展的今天,网络已经成为人们交流和获取信息的主要途径,越来越多的人习惯于在网络上发表自己的观点和看法,动物卫生事件一旦发生就会引起大批民众的关注。我国正在成为世界上比较少见的动物卫生舆论超强磁场,如果不对动物卫生领域舆情进行有效的引导和管理,可能引起企业损失或危害社会安定秩序。因此,如何高效的对动物卫生领域舆情进行监测和分析成为研究的要点。本文以新闻信息为对象进行动物卫生领域的舆情研究,在充分与中国动物卫生与流行病学中心交流的基础上,全面调研国内外相关的文献、相关方法与技术,提出使用主题分类和信息抽取方法对动物卫生领域舆情信息进行研究。首先,对动物卫生领域新闻的信息源、类别和描述特征进行分析,将动物领域信息的文本特征和动物疫病自身属性加入到加权朴素贝叶斯分类过程中,构建适合动物卫生领域舆情信息的分类模型。其次,以动物卫生安全类舆情信息为例,在总结待抽取属性项的描述规律以及出现位置和方向的基础上,使用正则表达式构建抽取规则,实现新闻文本中时间、地点、疫病名称、动物数量、应对措施内容的抽取。并对抽取效果较差的动物数量属性项提出基于节点关系比较的抽取方法,实现多个数值间的关系判断,提高动物数量属性项的抽取效果。最后,基于分类和信息抽取的研究结果,结合中国动物卫生与流行病学中心的实际需求,实现基于B/S架构的动物卫生领域舆情监测系统的原型设计。
交通运输监督服务知识图谱的信息抽取方法研究与应用
这是一篇关于交通运输监督服务,主题分类,信息抽取,知识图谱,应用研究的论文, 主要内容为在物流行业中,交通运输作为行业工作核心环节,其作业流程不可或缺且服务质量把握上下游工作流通命脉。交通运输监督是发展社会经济、维护城市秩序的重要前提和基础,随着我国人民生活水平不断提高,技术革新与信息智能受到广泛关注,人工智能应用越发普及。其中智慧交通正是以交通领域各项科技创新为具体体现与载体,加强交通运输监督服务,提升智慧交通的治理能力和服务水平,智能化技术融入不仅减轻人类劳动力,还能提升工作生产力。关于如何很好的运用人工智能技术,在交通运输治理问题上,营造为用户良好解决问题却不增加人工成本不降低工作效率,成为政界和学界共同关注的重点问题。交通运输监督服务问答系统可为用户解决,在物流作业中交通运输遇到问题的实时在线咨询,其中本文研究知识图谱的技术及应用设计可解决在使用中存在无响应、答非所问、仅支持单轮问答,对于稍复杂的问题回复效果等问题。基于此,本研究主要回答三个问题:物流运作中交通运输领域应该怎样对用户咨询主题信息进行更好的分辨?如何通过关键算法设计提高信息检索的准确率?如何使知识图谱中信息抽取技术更好的应用在问答系统中并抓取信息进行答案反馈?自然语言咨询问句实体信息的准确性,会影响智能问答系统所需构建问答知识图谱中信息抽取技术的整体效果,其中不仅直接影响到事件主题、要素的提取以及实体关系的抽取,且间接影响问答知识图谱中答案搜索、决定事件分类与知识逻辑管理精确度。为进一步提高客户语音问句实体信息抽取的准确性,增强智能问答系统知识图谱中信息抽取技术的整体效果。本文首先对语义标注进行优化,随后在Bi LSTM-CRF(Bidirectional Long Short-Term Memory Conditional Random Filed)基础上加入BERT(Bidirectional Encoder Representation from Transformers)模型对句子进行实体抽取学习。在具体实验中,以语音问句事件文本为数据来源,对其进行语义标注和实体抽取实验。结果表明,在语义标注优化的基础上同时加入BERT改进模型,信息抽取结果均高于Bi LSTM-CRF方法,且改进模型的调和平均值达到91.53%,即可增强事件的信息抽取提供实践意义。
面向动物卫生领域舆情监测的主题分类与信息抽取研究
这是一篇关于动物卫生,舆情监测,主题分类,信息抽取的论文, 主要内容为随着经济全球化的发展,动物及其产品流通日益频繁,疫病传播机会增加。环境污染和生态平衡破坏使动物病原发生变异,给疫病防治工作带来困难。而在互联网迅猛发展的今天,网络已经成为人们交流和获取信息的主要途径,越来越多的人习惯于在网络上发表自己的观点和看法,动物卫生事件一旦发生就会引起大批民众的关注。我国正在成为世界上比较少见的动物卫生舆论超强磁场,如果不对动物卫生领域舆情进行有效的引导和管理,可能引起企业损失或危害社会安定秩序。因此,如何高效的对动物卫生领域舆情进行监测和分析成为研究的要点。本文以新闻信息为对象进行动物卫生领域的舆情研究,在充分与中国动物卫生与流行病学中心交流的基础上,全面调研国内外相关的文献、相关方法与技术,提出使用主题分类和信息抽取方法对动物卫生领域舆情信息进行研究。首先,对动物卫生领域新闻的信息源、类别和描述特征进行分析,将动物领域信息的文本特征和动物疫病自身属性加入到加权朴素贝叶斯分类过程中,构建适合动物卫生领域舆情信息的分类模型。其次,以动物卫生安全类舆情信息为例,在总结待抽取属性项的描述规律以及出现位置和方向的基础上,使用正则表达式构建抽取规则,实现新闻文本中时间、地点、疫病名称、动物数量、应对措施内容的抽取。并对抽取效果较差的动物数量属性项提出基于节点关系比较的抽取方法,实现多个数值间的关系判断,提高动物数量属性项的抽取效果。最后,基于分类和信息抽取的研究结果,结合中国动物卫生与流行病学中心的实际需求,实现基于B/S架构的动物卫生领域舆情监测系统的原型设计。
基于主题的个性化新闻推荐系统的设计与实现
这是一篇关于个性化新闻推荐,主题分类,泛化性强,半监督学习的论文, 主要内容为网上新闻的快速增长使得个人难以保持对最新新闻的了解,个性化新闻推荐系统旨在为用户提供针对个人兴趣的定制新闻体验以解决这一挑战。个性化新闻推荐系统的一个重要工作就是对新闻进行文本主题分类,主要的做法是对新闻进行精细化文本特征提取。目前业界对新闻主题分类的做法主要是采用参数规模庞大的深度学习模型,这在计算资源受限的情况下,非常影响推荐系统的性能。但是采用传统的轻量级文本主题分类算法,则会面临主题分类模型泛化性不强的难题,并且常规的文本主题分类训练方式,容易倾向于量级大的新闻类目。考虑到在计算资源受限的情况下,为了更快速准确的为用户提供个性化的新闻推荐,本文在常规的轻量级文本主题分类的基础上,增加了类目不均衡损失和语义一致性损失,从而构建了新闻文本表征增强的主题分类模型,使得主题分类模型的泛化性更强,并将其应用于个性化新闻推荐系统中,让用户获得更好的使用体验。本文的主要工作如下:首先,选用轻量级的文本分类模型TextCNN用于新闻主题分类,在训练过程中对训练的损失添加类目权重惩罚项,使得模型能够克服主题类目不均衡的问题,并且添加语义一致性损失,增强模型的泛化能力。其次,将大量无标注新闻文本融入到半监督学习中,利用未标记的数据扩充训练数据集,进一步完善文本表征增强的主题分类模型,并通过公开的数据集验证了模型的有效性。最后,设计并实现了个性化新闻推荐系统的前台展示系统和后台管理系统,同时将增强的主题分类模型应用在该系统中,提升用户的使用体验。实验表明本文构建的文本表征增强的主题分类模型,能够很好的应对新闻主题类目不均问题,并且具有更强的泛化性,相比较于传统的文本分类模型在新闻主题分类上效果更好。将其应用于本文设计实现的个性化新闻推荐系统,经过测试能够正常地运行,可以满足用户对个性化新闻推荐的需求。
基于主题的个性化新闻推荐系统的设计与实现
这是一篇关于个性化新闻推荐,主题分类,泛化性强,半监督学习的论文, 主要内容为网上新闻的快速增长使得个人难以保持对最新新闻的了解,个性化新闻推荐系统旨在为用户提供针对个人兴趣的定制新闻体验以解决这一挑战。个性化新闻推荐系统的一个重要工作就是对新闻进行文本主题分类,主要的做法是对新闻进行精细化文本特征提取。目前业界对新闻主题分类的做法主要是采用参数规模庞大的深度学习模型,这在计算资源受限的情况下,非常影响推荐系统的性能。但是采用传统的轻量级文本主题分类算法,则会面临主题分类模型泛化性不强的难题,并且常规的文本主题分类训练方式,容易倾向于量级大的新闻类目。考虑到在计算资源受限的情况下,为了更快速准确的为用户提供个性化的新闻推荐,本文在常规的轻量级文本主题分类的基础上,增加了类目不均衡损失和语义一致性损失,从而构建了新闻文本表征增强的主题分类模型,使得主题分类模型的泛化性更强,并将其应用于个性化新闻推荐系统中,让用户获得更好的使用体验。本文的主要工作如下:首先,选用轻量级的文本分类模型TextCNN用于新闻主题分类,在训练过程中对训练的损失添加类目权重惩罚项,使得模型能够克服主题类目不均衡的问题,并且添加语义一致性损失,增强模型的泛化能力。其次,将大量无标注新闻文本融入到半监督学习中,利用未标记的数据扩充训练数据集,进一步完善文本表征增强的主题分类模型,并通过公开的数据集验证了模型的有效性。最后,设计并实现了个性化新闻推荐系统的前台展示系统和后台管理系统,同时将增强的主题分类模型应用在该系统中,提升用户的使用体验。实验表明本文构建的文本表征增强的主题分类模型,能够很好的应对新闻主题类目不均问题,并且具有更强的泛化性,相比较于传统的文本分类模型在新闻主题分类上效果更好。将其应用于本文设计实现的个性化新闻推荐系统,经过测试能够正常地运行,可以满足用户对个性化新闻推荐的需求。
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：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/52795.html
