基于迭代两步CRF模型的评价对象与极性抽取研究

微博作为一种新兴媒体,已经在人们生活中扮演了一种不可或缺的角色。如何从大量微博中抽取出有意义的评价对象并识别出正确的情感倾向显得越来越重要。本文在传统的CRF模型基础上,提出了两步CRF模型及迭代两步CRF模型,对评价对象和极性进行抽取。两步CRF模型在COAE2014评测语料上取得了0.505的F值,迭代两步CRF模型通过不断增加训练语料,提高了召回率,使得F值达到了0.513,同时提高了模型的稳定性。实验对比了当前主流的几种方法,结果证明了本文提出的方法是行之有效的。     

基于条件随机场与时间词库的中文时间表达式识别

该文提出一种统计与规则相结合的时间表达式识别方法。首先,通过分析中文文本中时间表达式的词形、词性和上下文信息,采用条件随机场识别时间单元而非时间表达式整体,避免了中文时间表达式边界定位不准确的问题;然后,从训练语料中自动获取候选触发词,并依据评价函数对候选触发词打分,筛选出正确的触发词完善触发词库;最后,根据时间触发词库与时间缀词库,制定规则对时间表达式边界进行定位。实验结果显示开式测试F1值达到98.31%。     

基于注意力机制和BiLSTM-CRF的消极情绪意见目标抽取

基于方面情感分析(Aspect-Based Sentiment Analysis,ABSA)是自然语言处理的热门课题,其中意见目标抽取和意见目标情感极性分类是ABSA的基本子任务之一。而很少有研究直接抽取特定情感极性的意见目标,尤其是抽取更有潜在价值的消极情绪意见目标。文中提出了一种全新的ABSA子任务--抽取消极情绪意见目标(Negative-Emotion Opinion Target Extraction,NE-OTE),并提出了基于注意力机制和单词与字符混合嵌入的BiLSTM-CRF模型(Attention-based BiLSTM-CRF with Word Embedding and Character Embedding,AB-CE),在双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)学习文本语义信息和捕获长距离双向语义依赖关系的基础上,通过注意力机制使模型更好地关注输入序列中的关键部分和捕获与意见目标及其情感倾向相关的隐含特征,最终通过CRF层预测句子级别的全局最佳标签序列,实现对消极情绪意见目标的抽取。文中基于主流ABSA任务基准数据集构建了3个NE-OTE任务数据集,并在这些数据集上进行了广泛的实验,实验结果显示,所提模型能够有效识别消极情绪意见目标,且识别效果明显优于其他基线模型,验证了所提方法的有效性。     

基于条件随机场的连续运动识别技术

在体育运动识别中,过渡姿势的复杂多变性容易导致识别错误。针对此问题,本文提出一种基于条件随机场CRF和条件概率密度传播Condensation的连续运动识别算法。该算法采用"分段识别"的思想,首先利用Condensation估计动作边界,然后分割出片段输入到CRF对其进行识别。实验结果表明,本文算法能减少过渡姿势对识别正确性的不良影响,比传统单纯使用CRF算法具有更好的稳定性和识别正确率。     

基于句法特征的评价对象抽取方法研究

评价对象抽取是情感分析任务中一个重要的子任务。该文使用基于条件随机场模型的监督学习方法实现英文的评价对象抽取。为了更好的捕捉评价对象和情感词之间的关系,引入句法分析用以加入丰富的句法特征提高评价对象抽取性能。实验中,我们在两个不同的数据集上考查了句法特征对评价对象抽取性能的影响,并做了详细的分析比较。实验结果表明,将句法特征应用在评价对象抽取任务中能够取得不错的效果,明显提高了评价对象的抽取召回率。     

一种基于相关反馈的图像内在语义模型

本文介绍了一种新的语义模型-图像内在语义模型ⅡSM（image internal semantic model）。这种模型通过分析相关反馈的图像检索的结果来提取语义信息，然后对所有图像计算两两之间的互信息，利用互信息对图像进行语义聚类。实验结果表明这种语义模型利用图像之间的语义相关性能提高查询的效率，并且能较准确的将数据库中的图像按语义分类。     

一个带反馈的BDI-Agent模型

BDI（信念-愿望-意向）理论研究是当前人工智能研究的一个热点，但是涉及带反馈的BDI-Agent的研究却比较少。本文的目的是扩展经典BDI-Agent模型。使之成为一个真正具有自主的Agent。本文首先提出了一个关于猴子和香蕉的模型，并添加了为经典BDI-Agent模型添加了一个反馈项目，最终验证了新模型是合理的。     

一种基于模型的军用靶图序列弹孔检测算法

军用靶图上的弹孔,成象后可被认为是灰度背景上的一些斑点,这样,对这些弹孔的检测就归结为在图象中寻找单独或重叠点的问题,而这些点迹可被认为是只具有灰度特性,而没有纹理和其他内在细节的斑点,针对重叠弹孔识别较困难的问题,为了在计算量增加不大的情况下,确保子弹孔检测的可靠性,提出了一种基于模型的序列弹孔检测算法。该算法不仅可对灰度背景中的斑点进行描述和定位,而且可以适用于不同灰度、不同尺寸和背景斑点的检测,因此可将这一方法用于弹孔的识别,同时根据靶图的实际情况,还引入反馈的机制,因而取得了很好的检测效果。     

基于二维混合条件随机场的Web记录抽取模型

提出一种基于混合二维条件随机场的Web记录抽取模型,以克服线性链条件随机场不能充分利用Web实体间二维依赖关系的缺点,且训练条件随机场模型时无需大量手工标注的样本数据。对当当网上的742个数据记录进行抽取,对比同等情况下的其他模型。实验结果表明,混合二维条件随机场模型在抽取TDS数据集时展现了更优越的性能。     

基于条件随机场的目标跟踪算法研究

在目标跟踪过程中,图像匹配技术是跟踪至关重要的环节,直接影响跟踪的效果。针对图像匹配算法中传统块匹配的搜索框和匹配准则问题提出了相应的改进。首先,采用并行粒子滤波算法对图像匹配中搜索框的位置和大小进行改进。其次,采用基于时空域信息的条件随机场模型以及CRF最大似然系数,对目前主流的依赖颜色信息的Bhattacharyya系数匹配准则进行改进。实验结果表明该算法不仅在匹配速度上有所提升,而且大幅减少了对目标颜色和形状的依赖,在匹配精度上也有了大幅提升,能更好的处理目标和背景颜色相似等复杂问题。     

基于CRF的百科全书文本段落划分

CRF模型是标注、切分序列数据的较新的概率模型,在信息抽取等文本处理领域广受关注。该文介绍了CRF方法,并将其应用到百科全书文本段落的划分上,利用CRF的特征表述机制加入了文本单元序列中的长距离约束,取得了比传统的隐马尔科夫方法更好的结果。     

基于LDA主题模型的评价对象抽取

评价对象抽取是自然语言处理中情感分析研究领域的一项重要任务.本文研究基于LDA进行中文评价对象的抽取问题.利用中文倾向性评测中任务3的Digital语料进行相关实验.首先对语料进行分词,词性标注以及去除干扰内容等预操作,然后利用LDA主题模型进行处理,最后对抽取的评价对象进行分析.数据结果表明,将LDA方法运用到评价对象抽取问题具有一定的研究和实用价值.     

几种信任协商的信息反馈机制分析

简要介绍了自动信任协商方法,比较分析了自动信任协商中的几种信息反馈机制,为不同应用场景下选择信息反馈机制提供了一定的参考。     

基于C—V模型的目标检测与提取

在目标检测与提取中,传统的蛇模型和基于活动轮廓的局部区域检测方法受到初始条件或者自身的收敛性约束的影响,不仅时间花费多,而且不具备鲁棒性。本文提出一种基于C V模型的变分水平集的目标检测与提取方法,通过大量实验验证,在花费时间和鲁棒性上得到了显著的改善。     

CRF与规则相结合的地理空间命名实体识别

提出条件随机场(CRF)与规则相结合的地理空间命名实体识别方法.该方法以丰富的知识作为触发条件,用CRF对满足条件的片段作地名及机构名识别.识别出来的命名实体又被解构,CRF及知识用来进一步判断该命名实体是否表示事件发生地的地理空间信息.实验结果表明,统计与规则方法的结合以及解构算法有效提升了地理空间命名实体识别的性能...     

基于混合模型的新闻事件要素提取方法

为了帮助读者从大量新闻报道信息中迅速地把握其主要内容,本文分析了事件要素对新闻主要内容的影响,结合新闻报道的基本原则和要求,提出了一种基于混合模型的事件要素提取方法.该方法首先对新闻数据中识别的实体进行加权,然后使用依存句法树分析实体在新闻事件中扮演的角色,并对关于要素的指代现象进行消解,最终融合频率及角色关系对实体加权的方法进行改进,有效地提取出新闻事件关联性较为重要的要素.实验结果表明,本文所述方法能够准确地提取出与新闻事件关联性较强的事件要素,提高了读者快速筛选新闻事件要素的效率.     

基于SVM和CRF多特征组合的微博情感分析

近年来,文本的情感分析一直都是自然语言处理领域所研究的热点问题;微博作为一种短文本,用词精炼而简洁,富含观点、倾向和态度.因此,识别微博的情感倾向具有重要的现实意义.提出一种基于SVM和CRF的情感分析方法,使用多种文本特征,包括词、词性、情感词、否定词、程度副词和特殊符号等,并选用不同的特征组合,通过多组实验使情感分析效果最优.实验显示,选用词性、情感词和否定词的特征组合时,SVM模型的正确率达到88.72％,选用情感词、否定词、程度副词和特殊符号的特征组合时,CRF模型的正确率达到90.44％.     

基于Bi-LSTM和CRF的中文网购评论中商品属性提取

随着电子商务系统评价体系的完善，网购评论的内容对消费者的购物起到十分重要的指导作用。但是消费者不能从大量评论中找到自己直接关心的商品属性（如：手机产品的属性“电池”）以及属性相关评价（如：“电池容量很大”）。相对于构建知识库和传统机器学习的方法，需要人工总结复杂的特征和规则来提取商品属性和属性相关评价。本文应用基于词嵌入融合双向长短时记忆网络(Bi-LSTM)和条件随机场(CRF)的方法并根据在评论中属性多为名词、属性评价多为形容词的特点在Bi-LSTM+CRF模型中融入词性特征，实现对评论中的商品属性以及属性评价的自动化提取，在避免总结规则的同时更具领域普适性。通过测试相机、男装、儿童安全座椅3个商品领域，得到了宏精确度为86.74%，宏召回率为85.89%。     

基于CRF的交通肇事诉讼案件关键要素抽取

针对案件判决相关人员办理诉讼案件案头杂、采集信息散、办案时间长等问题,提出一个基于条件随机场的交通肇事诉讼案件关键要素抽取模型.该模型借鉴信息抽取技术,通过构建关键要素标注集并建成语料库,设计不同的特征模板,充分结合交通肇事领域诉讼案件的文本特点,考虑窗口长度以及不同特征的选择和组合,基于PyCharm平台对交通肇事诉...     

基于BERT与BiGRU-CRF的交通事故文本信息提取模型#br#

针对现存交通事故文本信息中存在的大量时间、地点、伤亡损失等关键异构数据难以有效提取,以及用静态词向量深度学习模型提取交通事故文本信息精确度较低的问题,本文利用BERT(Bidirectional Encoder Representations from Transformers)对文本字符进行动态向量映射,从数据表达源头解决一词多义、上下文依赖不充分等问题;利用BiGRU(Bi-Gate Recurrent Unit)提取文本向量化后的特征,输出高特征的文本序列;利用CRF(Conditional Random Fields)计算全局最优输出节点的概率优势,优化文本序列特征结果,提出一种基于动态字向量的BERT-BiGRU-CRF融合模型,用于交通事故文本关键信息提取。通过对比实验表明,该模型在交通事故文本信息提取中平均准确率为0.952,F1为0.925,比基于静态词向量Word2Vec模型的精确率与F1值分别提高了6.3个百分点和7.9个百分点。