基于深度学习的情感分析技术

随着大数据的分析与研究的热潮,深度学习已经成为人工智能技术不可分割的一部分,如自然语言处理,计算机视觉,语音识别等技术的发展都与深度学习息息相关。大量研究表明,深度学习已经成为一种趋势,是人工智能技术不断发展的不竭动力。因此,文章主要对深度学习以及其在自然语言处理中的文本情感分析技术上的研究与应用做一个简单的介绍,首先介绍情感分析和深度学习的概念,然后阐述一下深度学习在情感分析技术上的研究和应用,最后总结一下深度学习对情感分析技术的影响。     

深度学习技术的发展及应用

阐述深度学习技术的特点、研究进展、瓶颈问题,以及技术发展的趋势,包括小样本学习、迁移学习、无监督学习、多模态多任务学习,探讨深度学习技术在计算机视觉、自然语言处理、多模态与多任务学习中的应用。     

面向情感分析的深度学习技术研究浅析

文本情感分析为当前自然语言处理领域的热点技术,文章首先简要概述了情感分析的概念及其分类,然后详细综述了面向方面情感分析的深度学习模型的基本概念及特点,最后对主要内容进行了总结展望。     

基于深度学习技术的恶意APP软件动态检测技术

本文利用深度学习技术的方法提高检测恶意程序的能力,通过机器学习技术延伸出了机器学习技术,被广泛应用到图像处理、自然语言处理、计算机视觉与语言识别等领域中。深度学习中的卷积神经网络CNN具有良好的分类性能,还能够提高未知样本的预测能力。以此,本文就对将恶意学习技术作为基础的恶意APP软件动态检测技术进行分析。     

基于深度学习的无线通信接收方法研究进展与趋势

随着无线通信应用边界的不断扩展,无线通信应用环境也日趋复杂多样,面临射频损伤、信道衰落、干扰和噪声等负面影响,给接收端恢复原始信息带来挑战。借鉴深度学习方法在计算机视觉、模式识别、自然语言处理等领域取得的研究成果,基于深度学习的无线通信接收技术受到学术界和产业界的广泛关注。首先阐述了国内外基于深度学习无线通信接收技术的研究现状;接着概述了信号大数据背景下无线通信接收所面临的技术挑战,并提出基于深度神经网络的无线通信智能接收参考架构;最后探讨了信号大数据背景下无线通信智能接收方法的发展趋势。为基于深度学习无线通信技术的研究和发展提供借鉴。     

一种改进的深度神经网络应用于推荐系统

推荐系统是信息过滤的一种重要工具。随着互联网和大数据的介入,推荐系统的技术革新面临着新的挑战。近年来,深度学习的革命性进步在语音识别、图像分析和自然语言处理方面都受到了广泛关注。与此同时,一种应用于许多复杂任务的最先进的机器学习技术被用于推荐系统,以提高推荐的质量。由于其一流的性能表现和高质量的推荐结果,深度学习可以更好地理解用户需求、项目特征及其之间的历史性互动。文章提出将一种改进的深度神经网络应用于推荐系统。实验结果表明,该方法的效果令人瞩目。     

基于BERT模型的多任务法律案件智能判决方法

近年来以深度学习和自然语言处理为代表的人工智能技术取得巨大突破,推动了司法智能化方法的发展。目前深度神经网络技术在法律审判领域应用受到广泛关注和发展.本文以BERT模型为基础,采用自然语言处理技术对于法律陈述事实文本进行学习,实现模型对于法律案例的智能分析能力.在模型中充分利用多层次的多头自注意力机制,从多个特征维度进一步理解了法律文本的语义信息,完成了罪名预测、法律条款推荐、刑期预测多个司法智能预测功能.通过智能司法判决的多任务学习,深入挖掘了各个子任务之间的相关性,提升了法律文本特征的提取能力,从而模型能够实现更好的泛化效果.使用公开数据集进行对比实验,验证了该方法的优异性能.     

面向深度学习模型的对抗攻击与防御综述

在大数据时代背景下,深度学习技术得到了快速发展,成功应用于数据挖掘、自然语言处理和计算机视觉等领域。研究表明,深度学习的抗干扰性能并不是很好,因此出现了对抗攻击与对抗防御生成技术,即对于干净样本输入添加肉眼所不能察觉的扰动,导致深度学习模型出现识别错误和分类错误的问题。主要介绍对抗攻击与对抗防御的概念、生成原理,在此基础上分析了对抗攻击及对抗防御的主要方法,通过分析提出了对未来研究前景的预测。     

基于光网络的深度学习算法研究

光网络是一种轻便的、通用的和纯基于Matlab的深度学习框架。其思想是为深度学习研究提供一个易于理解、易于使用和高效的计算平台。实现此框架可以支持大部分深度学习架构例如多层感知器网络(MLP)、卷积神经网络(CNN)和循环神经网络(RNN)。该框架支持CPU和GPU无缝转换。实验证明此框架在计算机视觉、自然语言处理以及机器人技术中有不同的应用。     

人工智能技术在信息服务中的应用

本文主要通过选取信息客服工作中的特定应用场景,梳理信息客服工作中现有的业务域、流程域、数据域、管理域、系统域、基础设施域等方面的信息,深入分析业务诉求,解构业务特征,基于人工智能技术,利用自然语言处理技术,研究人机交互、智能解析用户检索内容,并开展自我深度学习,自动理解相关信息化运维问题,最终形成以信息运维客服为主要应用场景的智能服务助手的技术与应用。     

自然语言处理技术在客户服务中的应用

随着自然语言处理(NLP)技术的进步,其在客户服务领域的应用也日益增多。文中主要探讨了情感分析(用于理解客户反馈和评价,从而提供更为个性化的服务)、聊天机器人(利用深度学习技术为客户提供24/7的即时响应,提高服务效率)、文本分类(自动分类客户咨询,帮助客服人员处理问题)等技术的实际应用。实际案例证明,这些技术可以显著提高客户满意度,降低成本,为企业带来更高的回报。     

基于SVM的快速中文组块分析方法

基于结构风险最小化的SVM(支持向量机)统计学习理论随着样本数量的增加,不仅训练模型的时间开销会非线性地增长,而且分类的时间开销也会随着支持向量个数的增加而增大.为了使语言分析模型涵盖足够的语言现象并能快速完成模型训练和句子分析,采用了先将组块识别看成文本切分的二分类问题的办法,通过SVM对语料中不同类别词语分别建模,再从组块的构成知识进一步判定组块类型.实验结果表明,这种方法的分析速度和准确率都有一定的提高.     

Korean Coreference Resolution with Guided Mention Pair Model Using Deep Learning

The general method of machine learning has encountered disadvantages in terms of the significant amount of time and effort required for feature extraction and engineering in natural language processing. However, in recent years, these disadvantages have been solved using deep learning. In this paper, we propose a mention pair (MP) model using deep learning, and a system that combines both rule‐based and deep learning‐based systems using a guided MP as a coreference resolution, which is an information extraction technique. Our experiment results confirm that the proposed deep‐learning based coreference resolution system achieves a better level of performance than rule‐ and statistics‐based systems applied separately.     

A survey on deploying mobile deep learning applications: A systemic and technical perspective

With the rapid development of mobile devices and deep learning, mobile smart applications using deep learning technology have sprung up. It satisfies multiple needs of users, network operators and service providers, and rapidly becomes a main research focus. In recent years, deep learning has achieved tremendous success in image processing, natural language processing, language analysis and other research fields. Despite the task performance has been greatly improved, the resources required to run these models have increased significantly. This poses a major challenge for deploying such applications on resource-restricted mobile devices. Mobile intelligence needs faster mobile processors, more storage space, smaller but more accurate models, and even the assistance of other network nodes. To help the readers establish a global concept of the entire research direction concisely, we classify the latest works in this field into two categories, which are local optimization on mobile devices and distributed optimization based on the computational position of machine learning tasks. We also list a few typical scenarios to make readers realize the importance and indispensability of mobile deep learning applications. Finally, we conjecture what the future may hold for deploying deep learning applications on mobile devices research, which may help to stimulate new ideas.     

A Novel Dual Pointer Approach for Entity Mention Extraction

The named entity extraction task aims to extract entity mentions from the unstructured text, including names of people, places, institutions and so on. It plays an important role in many Natural language processing (NLP) tasks, such as knowledge bases construction, automatic question answering system and information extraction. Most of the existing entity extraction studies are based on the long text data, which are easier to annotate due to the sufficient contextual information. Extracting entities from short texts such as search queries, conversations is still a challenging task. This paper proposes a dual pointer approach for entity mention extraction, it extracts one entities by two position pointers of the input sentence. The end-to-end deep neural networks model based on the proposed approach can extract the entities by serially generating the dual pointers. The evaluation results on the Chinese public dataset show that the model achieves the state-of-the-art results over the baseline models.     

An Improved NER Methodology to the Portuguese Language

Mobile Networks and Applications - The text mining process typically involves the application of natural language processing (NLP) techniques, in order to obtain important information and extract...     

NLP技术在特种设备舆情管理中的应用研究

自然语言处理(NLP)技术等新一代信息技术发展,为特种设备舆情信息分析分类带来新的路径。针对特种设备舆情分类需求,在分析特种设备舆情数据处理流程的基础上,开展舆情文本分词、文本向量化与朴素贝叶斯分类技术研究,进而对2018年1月份至2020年6月份6983条特种设备舆情样本进行建模分析,结果显示特种设备舆情具有明显的文本特征,基于朴素贝叶斯的特种设备舆情分类预测模型准确度达到95%,能够为开展特种设备舆情分类分析提供参考。     

基于深度学习的医疗图像分割综述

自2006年深度学习这一概念提出以来,各研究领域对于深度学习技术的研究热度一直高居不下。深度学习的出现,对计算机视觉领域的发展起到了重要推动作用。计算机视觉的主要研究任务是对图像、视频等进行目标的检测、识别以及分割等,目前已经广泛应用于医疗、金融和工业领域中。其中最常见的应用场景是医学图像处理。图像分割是医学图像处理任务中一个重要的研究方向,目前已经出现了很多图像分割方法,其中包含传统的分割方法和基于深度学习模型的分割方法。首先介绍了阈值分割法、区域生长法以及图割法等传统的图像分割方法;其次总结了FCN、U-Net、U-Net++、SegNet以及DeepLab系列的网络架构,并对其优缺点进行了分析;同时,着重阐述了图像分割方法在医疗图像处理中的应用;最后讨论了未来基于深度学习的医学图像分析将要面临的挑战和发展机遇。     

Deep recurrent neural networks with word embeddings for Urdu named entity recognition

Named entity recognition (NER) continues to be an important task in natural language processing because it is featured as a subtask and/or subproblem in information extraction and machine translation. In Urdu language processing, it is a very difficult task. This paper proposes various deep recurrent neural network (DRNN) learning models with word embedding. Experimental results demonstrate that they improve upon current state‐of‐the‐art NER approaches for Urdu. The DRRN models evaluated include forward and bidirectional extensions of the long short‐term memory and back propagation through time approaches. The proposed models consider both language‐dependent features, such as part‐of‐speech tags, and language‐independent features, such as the “context windows” of words. The effectiveness of the DRNN models with word embedding for NER in Urdu is demonstrated using three datasets. The results reveal that the proposed approach significantly outperforms previous conditional random field and artificial neural network approaches. The best f‐measure values achieved on the three benchmark datasets using the proposed deep learning approaches are 81.1%, 79.94%, and 63.21%, respectively.