融合知识感知与双重注意力的短文本分类模型

文本分类任务作为文本挖掘的核心问题,已成为自然语言处理领域的一个重要课题.而短文本分类由于稀疏性、实时性和不规范性等特点,已经成为文本分类的亟待解决的问题之一.在某些特定的场景,短文本存在大量隐含语义,由此对挖掘有限文本内的隐含语义特征等任务带来挑战.已有的方法对短文本分类主要是采用传统机器学习或深度学习算法,但是该类算法的模型构建复杂且工作量大,效率不高.此外,短文本包含有效信息较少且口语化严重,对模型的特征学习能力要求较高.针对以上问题,本文提出了KAeRCNN模型,该模型在TextRCNN模型的基础上,融合了知识感知与双重注意力机制.知识感知包含了知识图谱实体链接和知识图谱嵌入,可以引入外部知识以获取语义特征,同时双重注意力机制可以提高模型对短文本中有效信息提取的效率.实验结果表明,KAeRCNN模型在分类准确度、F1值和实际应用效果等方面显著优于传统的机器学习算法.我们对算法的性能和适应性进行了验证,准确率达到95.54%,F1值达到0.901,对比四种传统机器学习算法,准确率平均提高了约14%,F1值提升了约13%.与TextRCNN相比,KAeRCNN模型在准确性方面提升了约3%.此外,与深度学习算法的对比实验结果也说明了我们的模型在其它领域的短文本分类中也有较好的表现.理论和实验结果都证明,提出的KAeRCNN模型对短文本分类效果更优.     

锂/钠离子电池材料的固体核磁共振谱研究进展

深入全面理解锂/钠离子电池材料的静态结构及演化过程是提升电池材料性能的关键因素,在材料结构的各种表征方法中,固体核磁共振波谱(SS NMR)技术是获取电池材料局域结构以及微观离子扩散动力学等定量信息的一个重要表征手段。到目前为止,人们通过SS NMR技术在获取与分析电池电极/电解质材料的离子占位,充放电过程中材料的结构演化以及微观离子扩散动力学过程如离子传输路径与离子扩散系数等信息上已取得重要的研究进展,进而为理解分析电极材料的储锂机制,电池材料的构效关系乃至电池的衰减机理等方面提供了重要实验数据。结合课题组的研究工作,综述了近三年来SS NMR技术在锂/钠离子电池电极和固体电解质材料研究以及核磁共振成像技术在电池领域的应用研究进展。