情境特征及其在情感分类模型中的应用

研究情境特征在文本分类中的作用,提出了一种层级双向LSTM模型用于情感分类问题。该模型首先将句子分词,把词向量作为第一层双向LSTM模型的输入;其次从文档中提取出稠密、连续的向量作为情境特征;然后将第一层模型的输出向量和情境向量共同输入第二层双向LSTM;最后将这种层级双向的LSTM模型的输出向量通过sigmoid函数进行分类。情境向量作用于每个句子,一致的情感得到增强,不一致的情感被弱化,从而提高了分类的精度。在两个公开数据集上的实验表明,整合了情境特征的层级双向LSTM取得较优的精度。除此之外,通过在一个包含两万余条中文评论的公开数据集上对模型进行测试,表明该模型测试正确率相比于普通的LSTM和双向LSTM都有提升,说明情境特征对于提升情感分类的作用比较显著。     

基于层级注意力机制与双向长短期记忆神经网络的智能合约自动分类模型

针对区块链平台上智能合约应用种类繁多,人工筛选合适的智能合约应用服务日益困难的问题,提出一种基于层级注意力机制与双向长短期记忆（Bi-LSTM）神经网络的智能合约自动分类模型——HANN-SCA。首先,利用Bi-LSTM网络从智能合约源代码和账户信息两个角度同时建模,最大限度地提取智能合约的特征信息。其中源代码角度关注智能合约中的代码语义特征,账户信息角度关注智能合约的账户特征。然后,在特征学习过程中从词层面和句层面分别引入注意力机制,重点捕获对智能合约分类有重要意义的单词和句子。最后,拼接代码特征与账户特征以生成智能合约文档级特征表示,通过Softmax层完成分类任务。实验结果表明,所提模型在Dataset-E、Dataset-N和Dataset-EO数据集上的分类正确率分别达到了93.1%、91.7%和92.1%,效果明显优于传统的支持向量机模型（SVM）和其他神经网络基准模型,且具有更好的稳定性与更高的收敛速度。     

复杂产品的VV&A体系架构关键技术

为开展复杂产品（系统）建模与仿真过程中的验证、确认与发布（verification, validation and accreditation, VV&A）工作,提高复杂产品(系统)的设计水平,保证和提高建模与仿真系统的置信度,降低试验与评估的不确定性,在分析复杂产品全生命周期中的VV&A活动的基础上,论述复杂产品（系统）的VV&A体系架构的复杂性及其关键技术,系统分析VV&A的主要思想和国内外研究与应用现状、VV&A工具和方法等问题,提出一种VV&A体系架构方案,并详细阐述其总体方案和系统组成,为逐步建设企业的VV&A知识库提供参考。     

手机界面信息层级可视化设计的秩序

目的对手机界面信息可视化元素秩序性设计进行分析。方法信息具有内生性逻辑,构成金字塔型的信息层级,通过信息可视化传达与受众阅读接收心理进行研究。结果寻找和运用布局、色彩、布白、字体字号等视觉元素的秩序,进行合理准确表达,构建起科学系统的信息可视化有效方法,达到视觉最优化。结论使受众有愉悦的阅读心情并快速地获取信息,从而实现最美和最易阅读的目标。     

基于“事件”的图形语言模型与表征

目的建立以"事件"为导向的模型分析方法,实现设计系统中图形语言的整合创新、开放认知与多维转换。方法以符号学和语言学为理论工具,解析图形语言的形义构成、生成原理,图形的两种样态特征,以及样态间的转换方式;以日常的事件类型为切入点,深化设计系统中图形语言的结构关系、认知与解释理论。结果图形语言以立体的开放系统为基础,在以事件为中心的维度转换中,生成具有"流动三分层级"的有机体。其结构转化为三组形义统一的表征序列,即实现"理性-感性"抽象图式的表达。结论日常事件产生多样的图形语言,包括异质的"言语-意义-事件"变元。模型分析方法为图形语言提供了有效的可操作、可解释、可观察的路径。结合实践案例,论证了其合理性和可行性。     

高压输电线路多维数据的中台技术

基于目前高压输电线路、杆塔的台账信息、巡检信息等呈现孤岛状态, 本文阐述了一种高压输电线路多维数据的中台技术应用案例, 针对直升机、无人机、人工巡检对缺陷描述所产生的数字信息、文档信息、图片信息及视频信息, 提出了基于中台技术的解决思路, 围绕保障输电线路运行安全这一目标, 对基础信息、动态信息、管理信息进行合理层级划分, 提升信息化水平, 为后续决策奠定扎实的基础.     

基于稠密扩张卷积的图像语义分割模型

为解决图像语义分割任务中面对的分割场景的复杂性、分割对象的多样性及分割对象空间位置的差异性问题, 提高语义分割模型的精度, 提出基于稠密扩张卷积的双分支多层级语义分割网络(double branch and multi-stages network, DBMSNet). 首先采用主干网络提取输入图像的4个不同分辨率的特征图(De1、De2、De3、De4), 其次采用特征精炼(feature refine, FR)模块对De1和De3这两个特征图进行特征精炼处理, 特征精炼处理之后的输出分支经过混合扩张卷积模块(mixed dilation module, MDM)编码空间位置特征, De4分支采用金字塔池化模块(pyramid pooling module, PPM)编码高级语义特征, 最后将两个分支进行融合, 输出分割结果. 在数据集CelebAMask-HQ和Cityscapes中进行实验, 分别得到mIoU精度为74.64%、78.29%. 结果表明, 本文方法的分割精度高于对比方法, 且具有更少的参数量.     

基于多层非负局部Laplacian稀疏编码的图像分类

针对单层稀疏编码结构对图像特征学习能力的局限性问题,提出了一个基于图像块稀疏表示的深层架构,即多层融合局部性和非负性的Laplacian稀疏编码算法（MLLSC）。对每个图像平均区域划分并进行尺度不变特征变换（SIFT）特征提取,在稀疏编码阶段,在Laplacian稀疏编码的优化函数中添加局部性和非负性,在第一层和第二层分别进行字典学习和稀疏编码,分别得到图像块级、图像级的稀疏表示,为了去除冗余特征,在进行第二层稀疏编码之前进行主成分分析（PCA）降维,最后采用多类线性支持向量机进行分类。在四个标准数据集上进行验证,实验结果表明,MLLSC方法具有高效的特征学习能力,能够捕获图像更深层次的特征信息,相对于单层结构算法准确率提高了3%~13%,相对于多层稀疏编码算法准确率提高了1%~2.3%;并对不同参数进行了对比分析,充分展现了其在图像分类中的有效性。     

基于多跳推理的篇章情感分析模型

为进一步提高篇章情感分析准确率,考虑到文档语义的复杂语言学层级结构,结合多跳推理网络将情感分析任务转化为阅读理解任务,提出了一种基于多跳推理的篇章情感分析模型。篇章常常包含情感倾向不同的句子,该结构首先在单词层级使用辅以位置编码的循环网络学习得到句子向量表示,然后在句子层级使用基于注意力机制的循环网络得到当前轮次文档向量,迭代得到最终文档向量,再经过全连接层预测输出。在IMDB和Yelp数据集上的实验结果表示,相较于不考虑文档层级结构的模型和不使用多跳推理的层级模型,所提出的模型具有更好的实验结果。