基于Bert预训练模型的虚假新闻文本检测

虚假新闻剥夺了人们获取真相的权利,也给社会和国家带来了许多危害。文中以虚假新闻文本为例,分析和验证了多种预训练语言模型在虚假新闻文本分类上的分类效果。经实验证明,相较于其他语言模型,Bert预训练语言模型取得了较好的结果,预测准确率为86.97%,召回率为88.12%,F1值为87.54%。     

基于先验知识的文本实体识别方法

阐述文本实体识别作为医疗相关人工智能应用的关键中间任务，其效果直接决定下游任务表现上限，然而传统方法中通常忽略医学知识的应用，很难取得良好表现。提出一种基于RoBERTa与CRF并融合医学知识的医学文本实体识别方法，将医学知识作为先验引入到CRF最优路径搜索环节，极大程度地提升了标签转换的连贯性，并在相关数据集主指标上取得了改善。     

安卓平台上的医用图像信息采集系统的开发设计

为了探讨在安卓平台上构建医用图像采集系统的开发个案,分析通过以智能手机、平板电脑为核心安卓设备通过拍照获得化验单数据后进行文本识别并提交智慧医疗系统的解决方案。本文首先通过二值化算法形成低阈值图像数据,使用卷积神经元网络算法对文本进行逐一识别,使用K-means算法对识别后的单字文本进行字段记录值的整合并形成元数据库服务于其他智慧医疗系统模块。在使用9000组数据对神经元网络进行前期训练的前提下,该系统的识别准确率达到了99.5%以上。本系统具有一定的可行性,对未来智慧医疗的系统开发有实践意义。     

国家形象的构建与营造——中华人民共和国国旗、国徽的设计分析

中国国旗、国徽设计以五星、天安门、嘉禾稻、麦穗等彰显时代特点的现实主义素材为设计元素,具有明显的政治语态和意识形态意味.其以环绕、半环绕结构图式和红、黄色调的设计形式,表现出了中国传统图案的装饰意味.这种近乎完美的艺术形式与明显的政治意象,准确地呈现了国家意志和政党主张.     

基于宋词生成的大容量构造式信息隐藏算法

在基于文本生成的信息隐藏算法研究中，如何在保证生成文本质量的同时提高隐藏容量是主要存在的挑战.为此本文提出一种基于宋词生成的构造式信息隐藏算法.首先对宋词文本数据进行预训练，然后基于自回归语言模型搭建宋词生成模型；其次根据宋词词牌固有的格式信息设计格律模块，在宋词生成阶段，需要向生成模型输入该格律模块，并通过符号集设计、编码等综合作用，生成宋词诗句.在利用宋词生成模型进行秘密信息隐藏的过程中，对格律模块进行重构，通过平仄韵词牌、词牌格式模板、关键字、韵律及押韵字符的不同选择，有效实现秘密信息的隐藏.信息提取是隐藏的逆过程，且提取过程不需要利用宋词生成模型，仅需根据模板和词典库来进行索引即可，提高了信息提取的效率.实验结果表明，本文提出的算法能够生成格式严格、韵律清晰、句子完整性高的宋词，且生成的宋词文本的信息隐藏容量均值可达21比特/句、安全性高，整体性能优于已报道的主流算法.     

基于文本信息处理的深度网络推荐技术研究

网络信息时代,在使用系统的时候,首先应该要避免信息过载所导致的问题.然而这一问题目前已经在网络信息技术中起到了重要的作用.根据传统的模式进行推算,目前互联网想要构建模式,首先应该设计其模型训练,另外其数据不能过于单一,而信息量也不够充足,所以导致目前所出现的推荐效果并不是很好.所以文章中有很多辅助信息能够添加到模型中而获得额外的数据输入,对于文章所推荐的方式,有些用户往往忽视所具备的多样性,主要是由于用户的喜好会随着项目的改变而发生变化.     

基于微博用户兴趣话题的相似用户挖掘

相似用户挖掘是提高社交网络服务质量的重要途径，在面向大数据的社交网络时代，准确的相似用户挖掘对于用户和互联网企业等都有重要的意义，而根据用户自己的兴趣话题挖掘的相似用户更符合相似用户的要求。提出了一种基于用户兴趣话题进行相似用户挖掘的方法。该方法首先使用TextRank话题提取方法对用户进行兴趣话题提取，再对用户发表内容进行训练，计算出所有词之间的相似度。提出CP（Corresponding Position similarity）、CPW（Corresponding Position Weighted similarity）、AP（All Position similarity）、APW（All Position Weighted similarity）四种用户兴趣话题词相似度计算方法，通过用户和相似用户间关注、粉丝重合率验证相似用户挖掘效果，APW similarity的相似用户的关注/粉丝重合百分比为1.687%，优于提出的其他三种算法，分别提高了26.3%、2.8%、12.4%，并且比传统的文本相似度方法Jaccard相似度、编辑距离算法、余弦相似度分别提高了20.4%、21.2%、45.0%。因此APW方法可以更加有效地挖掘出用户的相似用户。     

一种使用多跳事实的端到端知识库实体描述生成方法

自动化实体描述生成有助于进一步提升知识图谱的应用价值,而流畅度高是实体描述文本的重要质量指标之一。该文提出使用知识库上多跳的事实来进行实体描述生成,从而贴近人工编撰的实体描述的行文风格,提升实体描述的流畅度。该文使用编码器—解码器框架,提出了一个端到端的神经网络模型,可以编码多跳的事实,并在解码器中使用关注机制对多跳事实进行表示。该文的实验结果表明,与基线模型相比,引入多跳事实后模型的BLEU-2和ROUGE-L等自动化指标分别提升约8.9个百分点和7.3个百分点。