结合双预训练语言模型的中文文本分类模型

针对Word2Vec等模型所表示的词向量存在语义模糊从而导致的特征稀疏问题,提出一种结合自编码和广义自回归预训练语言模型的文本分类方法。首先,分别通过BERT、XLNet对文本进行特征表示,提取一词多义、词语位置及词间联系等语义特征;再分别通过双向长短期记忆网络(BiLSTM)充分提取上下文特征,最后分别使用自注意力机制(Self＿Attention)和层归一化(Layer Normalization)实现语义增强,并将两通道文本向量进行特征融合,获取更接近原文的语义特征,提升文本分类效果。将提出的文本分类模型与多个深度学习模型在3个数据集上进行对比,实验结果表明,相较于基于传统的Word2Vec以及BERT、XLNet词向量表示的文本分类模型,改进模型获得更高的准确率和F₁值,证明了改进模型的分类有效性。     

膏状胶片隔离剂对半钢钢丝附胶性能的影响

探讨了不同厂家的膏状胶片隔离剂对半钢钢丝附胶性能的影响,并对浸入不同浓度膏状隔离剂乳液的半钢钢丝附胶进行各项性能对比,结果表明：TF-1隔离剂乳液浓度低于40%时,对半钢钢丝附胶物理机械性能无明显影响;JSH-2010-PG隔离剂乳液高浓度对半钢钢丝附胶物理机械性能无明显影响,但考虑加工安全性,JSH-2010-PG隔离剂正常使用时浓度应控制在5%以内。