利用异构图神经网络实现情绪-原因对的有效抽取

情绪-原因对的自动抽取，是文本情感分析的新任务，旨在以子句为单位，从不带任何标注的原始文本中识别情绪表达，并确定产生相应情绪的原因，形成情绪-原因对。完成上述任务的关键是有效捕捉情绪和原因之间以及不同情绪-原因对之间的关联。针对现有研究在捕捉这些关联方面存在的粒度过粗、无法有效区分不同子句对之间因果关系的相互影响等不足，提出了一种基于异构图神经网络的情绪-原因对抽取方法。该方法首先构建以子句和子句对为顶点的异构图，其中子句和子句对之间以及不同的子句对之间存在不同类型的边，用于捕捉各种细粒度的关联；然后采用带有注意力机制的异构图神经网络顶点表达更新算法，对子句和子句对的初始表达进行迭代更新；接着将更新后的子句对表达输入到二元分类器，通过该分类器判断相应的子句对是否存在情绪-原因关系。在情绪-原因对抽取任务的基准数据集上进行的实验表明，所提基于异构图神经网络的方法具有稳定的效果提升，在F1值上比当前最好的方法高0.85%;如果底层编码器(用于得到初始的子句表达和子句对表达)采用BERT,F1值可以达73.12%,也优于底层编码器同样采用BERT的现有最新算法。     

南宁市非道路移动源排放清单研究

收集南宁市非道路移动源活动数据,基于燃料消耗的排放因子法,建立2012年南宁市非道路移动源排放清单。结果表明:南宁非道路移动源污染物SO_2、NO_x、VOCs、CO和PM的排放量分别为1207 t/a、7444 t/a、834 t/a、2858 t/a和489 t/a。其中农用机械和运输车在各类非道路移动源中排放占主要地位,其中NO_x排放占44.8%,VOCs排放占53.7%,CO排放占54.9%,PM排放占61.5%。     

基于大数据传输优化模拟研究

在互联网领域,网络优化是确保网络质量,提升网络资源利用率的有效手段。一般而言,利用大数据技术进行网络优化的过程可分为三个阶段:数据来源和获取、数据存储、数据分析。跨层设计是提升整个无线传感器网络性能的一种有效方法。在三个因素综合考虑,如MAC层诡计多端的,物理的功率控制、网络层路由,超宽带技术和低的信号功率和实现网络的最大数据传输速率的目的相结合,构建无线传感器网络跨层优化模型基于UWB技术。     

褐煤热压脱水实验研究

为提高褐煤脱水率,以锡林郭勒褐煤为研究对象,采用高温反应釜进行了褐煤热压脱水实验,考察了温度、压力和保压时间对褐煤脱水率的影响,并利用静态氮吸附仪对热压脱水前后煤样的孔隙结构进行测定。结果表明:温度250℃、压力3 MPa、保压60 min时褐煤脱水率最大可达到93.67%。在热力协同作用下,加压可使褐煤实现"攥拳式"脱水,压缩褐煤碳骨架的同时,挤出内水,改变褐煤孔隙结构及分布。热压脱水后,褐煤比表面积、总孔体积、平均孔径分别降低了0.70192 m2/g、0.00405 cm3/g和1.38593 nm,煤样孔径分布明显改变,微孔比例增加5.57%,中孔比例增加4.97%,大孔比例减小10.54%。实验证明以气体加压方式进行褐煤热压脱水可行。     

论校园无线网络安全存在的问题和对策

在通信事业不断发展的进程中,无线网进入了一个全新的发展阶段,并逐渐成为了校园网络的重要组成部分,在教学管理系统中,具有重要作用。然而从实际情况来看,我国校园在无线网络的应用过程中却仍然存在着诸多安全隐患,有待于进一步的解决与完善。文章首先简要阐述了无线网络的基本含义,然后就我国校园无线网络在应用上存在的安全隐患作了进一步分析与探讨,并提出了校园无线网络的安全防范措施,希望能为实际工作起到一定的指导作用。     

融合卷积神经网络与层次化注意力网络的中文文本情感倾向性分析

文本情感倾向性分析是自然语言处理研究领域的一个基础问题。基于深度学习的模型是处理此问题的常用模型。而当前的多数深度学习模型在中文文本情感倾向性分析方面的应用存在两个问题: 一是未能充分考虑到文本的层次化结构对情感倾向性判定的重要作用,二是传统的分词技术在处理文本时会产生歧义。该文针对这些问题基于卷积神经网络与层次化注意力网络的优点提出了一种深度学习模型C-HAN(Convolutional Neural Network-based and Hierarchical Attention Network-based Chinese Sentiment Classification Model),先用并行化卷积层学习词向量间的联系与组合形式,再将其结果输入到基本单元为双向循环神经网络的层次化注意力网络中判定情感倾向。实验表明: 模型在中文评论数据集上倾向性分类准确率达到92.34%,和现有多个情感分析模型相比有所提升;此外,对于中文文本,选择使用字级别词向量作为原始特征会优于词级别词向量作为原始特征。