新闻事件识别系统的研究与实现
这是一篇关于事件识别,类别识别,卷积神经网络,主题句,新闻的论文, 主要内容为随着互联网技术的飞速发展和通信网络带宽与速度的不断提升,人们逐渐迈入自媒体时代。人们获取新闻的方式也从之前的纸质媒体,门户网站等逐渐转向朋友圈,微博以及各大新闻APP。每一个新闻的读者都有可能是新闻内容的创作者和生成者。在这种新闻体时代的浪潮下,随之而来的是新闻数量的激增,新闻类型的多样和新闻内容的良莠不齐。因此,无论是对于网络舆情的管理者,新闻内容的分发者,还是新闻报道的阅读者都需要一种方便快捷的手段获得新闻所表述的主要事件和对应领域。并以此判定是否需要花费更多的事件去处理、分发甚至去阅读这篇新闻。与此同时,人工智能应用和深度学习方法逐渐取代传统的机器学习方法,在图像识别,语音识别等领域取得突破性的进展并逐渐有国内外专家开始用这种新的技术去探索自然语言处理领域。基于此,在新闻搜索领域一种基于用户推荐的feed搜索方式渐渐出现,并逐渐替代传统的搜索方式,成为用户获取新闻的主要手段。而事件类别和新闻领域,往往是对一篇新闻很好的标签定义。为了尽快获取网络上新闻的领域类别,事件类型等新闻关键要素,本文设计并实现了一种新闻事件别系统,用于对新闻的事件类型,新闻领域及新闻主题句进行识别。本文完成了以下工作。首先,针对新闻事件识别领域国内外研究现状进行了调研,并对主要技术及研究成果进行了介绍;其次,针对系统在事件识别方面的需求,对本系统所识别新闻事件的进行了定义,提出了一种基于新闻主题句和触发词的新闻事件识别方法,并采用特征词的方法对新闻领域进行分类,从新闻事件所处的领域对一个新闻事件进行另一个角度描述;再次,对系统需求进行了简要分析,并依据需求分析对系统层次架构和功能架构进行总体设计;最后,对系统主要功能模块的功能设计,流程设计设计的关键算法及实现该算法的核心代码进行了详细说明,并在最后对系统各模块的运行界面进行了概要展示。其中,本文重点对新闻事件识别方法进行了研究,在关键的分类器部分由卷积神经网络模型替换了传统的机器学习模型。并给出了实验结果及对应的结果分析。研究并实现的新闻事件识别系统支持事件识别,类别识别,主题句识别和后台对模型、用户及触发词的管理。同时本文针对事件识别所采用的主要方法,从准确率,召回率和F1值三个方面对系统的性能进行验证,结果表明本系统能达到较高的识别和分类的准确率及覆盖率。
关系驱动的事件识别方法研究与实现
这是一篇关于自主系统,事件识别,事件关系分析,模糊故障树,贝叶斯网络的论文, 主要内容为随着互联网技术的飞速发展以及应用需求的强力推动,软件系统规模日渐庞大、系统交互越发繁杂,人为地调整系统变得极其困难与不可靠。因此需要建立具备自主调控能力的一类系统,即智能自主系统。智能自主系统能够感知与分析系统运行时的各类异常事件,并根据异常事件产生以及执行调控策略,从而达到系统目标,为用户提供稳定功能。其中,自主系统的分析环节获取系统实时运行数据,识别系统中发生的异常事件,是后续产生与执行系统调控策略的依据。未能及时有效地识别异常事件将使得自主系统行为退化,甚至系统崩溃。因此,在自主系统调控过程中,事件识别方法的准确性显得至关重要。然而,目前事件识别方法主要侧重观察系统实时运行数据,将预定义的系统状态与事件之间的映射关系作为事件推理的知识因素,去推理事件。一方面,自主系统运行时多变的环境状态导致在系统运行前定义的映射关系并不准确与全面,并且人类认知的局限性导致领域专家不能够制定完备的映射关系,导致事件识别方法的准确性有待提升。另一方面,仅依靠映射关系这一类知识去识别事件是不足够的,事件与事件之间可能存在因果关系,利用这些关系能够发掘不易被直接检测到的事件。因此,为了解决推理知识不充分不完备而导致事件识别方法准确性不高的问题,需要丰富事件推理知识,提升事件识别的准确性与全面性。针对上述问题,本文设计并实现自主系统事件准确识别方法,探寻新的事件推理知识因素,提升事件识别的准确性。本文主要工作包含以下三个部分:第一,建立了事件关系挖掘与建模方法。首先设计了基于GSP算法的事件关系挖掘方法,从系统运行日志中挖掘事件之间潜在的因果关系,作为新的事件推理知识因素;然后提出了基于模糊故障树的事件关系建模方法,采用树状图结构、模糊数和模糊算子建模事件因果关系,便于后续向分析能力更强的贝叶斯网络模型进行转换。第二,建立了基于贝叶斯网络的事件识别方法。首先设计了模糊故障树向贝叶斯网络的转换方法,包括结构图的转换和条件概率的计算,以及条件独立性检验方法验证贝叶斯网络模型的正确性与合理性;然后利用贝叶斯网络反向推理和正向推理,以概率方式全面综合识别事件,另外设计了三种重要度分析方法对基本事件节点进行分析评判,降低复杂事件发生概率。第三,基于Web应用系统Book Store和微服务架构系统Trainticket两个案例系统,设计实验对本文研究实现的关系驱动的事件识别方法进行了验证,证明了本文所提方法的有效性与准确性。
关系驱动的事件识别方法研究与实现
这是一篇关于自主系统,事件识别,事件关系分析,模糊故障树,贝叶斯网络的论文, 主要内容为随着互联网技术的飞速发展以及应用需求的强力推动,软件系统规模日渐庞大、系统交互越发繁杂,人为地调整系统变得极其困难与不可靠。因此需要建立具备自主调控能力的一类系统,即智能自主系统。智能自主系统能够感知与分析系统运行时的各类异常事件,并根据异常事件产生以及执行调控策略,从而达到系统目标,为用户提供稳定功能。其中,自主系统的分析环节获取系统实时运行数据,识别系统中发生的异常事件,是后续产生与执行系统调控策略的依据。未能及时有效地识别异常事件将使得自主系统行为退化,甚至系统崩溃。因此,在自主系统调控过程中,事件识别方法的准确性显得至关重要。然而,目前事件识别方法主要侧重观察系统实时运行数据,将预定义的系统状态与事件之间的映射关系作为事件推理的知识因素,去推理事件。一方面,自主系统运行时多变的环境状态导致在系统运行前定义的映射关系并不准确与全面,并且人类认知的局限性导致领域专家不能够制定完备的映射关系,导致事件识别方法的准确性有待提升。另一方面,仅依靠映射关系这一类知识去识别事件是不足够的,事件与事件之间可能存在因果关系,利用这些关系能够发掘不易被直接检测到的事件。因此,为了解决推理知识不充分不完备而导致事件识别方法准确性不高的问题,需要丰富事件推理知识,提升事件识别的准确性与全面性。针对上述问题,本文设计并实现自主系统事件准确识别方法,探寻新的事件推理知识因素,提升事件识别的准确性。本文主要工作包含以下三个部分:第一,建立了事件关系挖掘与建模方法。首先设计了基于GSP算法的事件关系挖掘方法,从系统运行日志中挖掘事件之间潜在的因果关系,作为新的事件推理知识因素;然后提出了基于模糊故障树的事件关系建模方法,采用树状图结构、模糊数和模糊算子建模事件因果关系,便于后续向分析能力更强的贝叶斯网络模型进行转换。第二,建立了基于贝叶斯网络的事件识别方法。首先设计了模糊故障树向贝叶斯网络的转换方法,包括结构图的转换和条件概率的计算,以及条件独立性检验方法验证贝叶斯网络模型的正确性与合理性;然后利用贝叶斯网络反向推理和正向推理,以概率方式全面综合识别事件,另外设计了三种重要度分析方法对基本事件节点进行分析评判,降低复杂事件发生概率。第三,基于Web应用系统Book Store和微服务架构系统Trainticket两个案例系统,设计实验对本文研究实现的关系驱动的事件识别方法进行了验证,证明了本文所提方法的有效性与准确性。
新闻事件识别系统的研究与实现
这是一篇关于事件识别,类别识别,卷积神经网络,主题句,新闻的论文, 主要内容为随着互联网技术的飞速发展和通信网络带宽与速度的不断提升,人们逐渐迈入自媒体时代。人们获取新闻的方式也从之前的纸质媒体,门户网站等逐渐转向朋友圈,微博以及各大新闻APP。每一个新闻的读者都有可能是新闻内容的创作者和生成者。在这种新闻体时代的浪潮下,随之而来的是新闻数量的激增,新闻类型的多样和新闻内容的良莠不齐。因此,无论是对于网络舆情的管理者,新闻内容的分发者,还是新闻报道的阅读者都需要一种方便快捷的手段获得新闻所表述的主要事件和对应领域。并以此判定是否需要花费更多的事件去处理、分发甚至去阅读这篇新闻。与此同时,人工智能应用和深度学习方法逐渐取代传统的机器学习方法,在图像识别,语音识别等领域取得突破性的进展并逐渐有国内外专家开始用这种新的技术去探索自然语言处理领域。基于此,在新闻搜索领域一种基于用户推荐的feed搜索方式渐渐出现,并逐渐替代传统的搜索方式,成为用户获取新闻的主要手段。而事件类别和新闻领域,往往是对一篇新闻很好的标签定义。为了尽快获取网络上新闻的领域类别,事件类型等新闻关键要素,本文设计并实现了一种新闻事件别系统,用于对新闻的事件类型,新闻领域及新闻主题句进行识别。本文完成了以下工作。首先,针对新闻事件识别领域国内外研究现状进行了调研,并对主要技术及研究成果进行了介绍;其次,针对系统在事件识别方面的需求,对本系统所识别新闻事件的进行了定义,提出了一种基于新闻主题句和触发词的新闻事件识别方法,并采用特征词的方法对新闻领域进行分类,从新闻事件所处的领域对一个新闻事件进行另一个角度描述;再次,对系统需求进行了简要分析,并依据需求分析对系统层次架构和功能架构进行总体设计;最后,对系统主要功能模块的功能设计,流程设计设计的关键算法及实现该算法的核心代码进行了详细说明,并在最后对系统各模块的运行界面进行了概要展示。其中,本文重点对新闻事件识别方法进行了研究,在关键的分类器部分由卷积神经网络模型替换了传统的机器学习模型。并给出了实验结果及对应的结果分析。研究并实现的新闻事件识别系统支持事件识别,类别识别,主题句识别和后台对模型、用户及触发词的管理。同时本文针对事件识别所采用的主要方法,从准确率,召回率和F1值三个方面对系统的性能进行验证,结果表明本系统能达到较高的识别和分类的准确率及覆盖率。
新闻事件识别系统的研究与实现
这是一篇关于事件识别,类别识别,卷积神经网络,主题句,新闻的论文, 主要内容为随着互联网技术的飞速发展和通信网络带宽与速度的不断提升,人们逐渐迈入自媒体时代。人们获取新闻的方式也从之前的纸质媒体,门户网站等逐渐转向朋友圈,微博以及各大新闻APP。每一个新闻的读者都有可能是新闻内容的创作者和生成者。在这种新闻体时代的浪潮下,随之而来的是新闻数量的激增,新闻类型的多样和新闻内容的良莠不齐。因此,无论是对于网络舆情的管理者,新闻内容的分发者,还是新闻报道的阅读者都需要一种方便快捷的手段获得新闻所表述的主要事件和对应领域。并以此判定是否需要花费更多的事件去处理、分发甚至去阅读这篇新闻。与此同时,人工智能应用和深度学习方法逐渐取代传统的机器学习方法,在图像识别,语音识别等领域取得突破性的进展并逐渐有国内外专家开始用这种新的技术去探索自然语言处理领域。基于此,在新闻搜索领域一种基于用户推荐的feed搜索方式渐渐出现,并逐渐替代传统的搜索方式,成为用户获取新闻的主要手段。而事件类别和新闻领域,往往是对一篇新闻很好的标签定义。为了尽快获取网络上新闻的领域类别,事件类型等新闻关键要素,本文设计并实现了一种新闻事件别系统,用于对新闻的事件类型,新闻领域及新闻主题句进行识别。本文完成了以下工作。首先,针对新闻事件识别领域国内外研究现状进行了调研,并对主要技术及研究成果进行了介绍;其次,针对系统在事件识别方面的需求,对本系统所识别新闻事件的进行了定义,提出了一种基于新闻主题句和触发词的新闻事件识别方法,并采用特征词的方法对新闻领域进行分类,从新闻事件所处的领域对一个新闻事件进行另一个角度描述;再次,对系统需求进行了简要分析,并依据需求分析对系统层次架构和功能架构进行总体设计;最后,对系统主要功能模块的功能设计,流程设计设计的关键算法及实现该算法的核心代码进行了详细说明,并在最后对系统各模块的运行界面进行了概要展示。其中,本文重点对新闻事件识别方法进行了研究,在关键的分类器部分由卷积神经网络模型替换了传统的机器学习模型。并给出了实验结果及对应的结果分析。研究并实现的新闻事件识别系统支持事件识别,类别识别,主题句识别和后台对模型、用户及触发词的管理。同时本文针对事件识别所采用的主要方法,从准确率,召回率和F1值三个方面对系统的性能进行验证,结果表明本系统能达到较高的识别和分类的准确率及覆盖率。
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：源码客栈网 ，原文地址：https://m.bishedaima.com/lunwen/54876.html
