PRBDN:基于预训练的微博评论情感分类模型

文本情感分类是自然语言处理中的经典任务,在判断文本的情感极性、舆情监控、市场呼声、商品评论等领域有重要的应用价值。该文提出了一种基于预训练模型进行细粒度文本情感分类的新方法。基于文章级别的情感分类任务,需要模型同时具有较高的语义概括能力和抗噪能力。为此,该文利用BiLSTM网络对预训练模型中每层Transformer的权重进行调整,通过将各层表达的不同粒度的语义表征进行动态融合的方式,提高模型的语义空间表达能力。为了增强模型的泛化性能,该文在下游任务结合BiLSTM和BiGRU等结构对得到的语义向量进行特征过滤。利用该模型,作者在CCF 2020年举办的科技战疫·大数据公益挑战赛—疫情期间网民情绪识别赛道中位列第三,最终测试集的F₁值为0.745 37,该模型的参数量比第一名模型少67%,但二者分数差距仅为0.000 1,说明该方法具备可行性与有效性。     

基于MDA的SCA波形开发研究与实现

SCA波形的开发存在繁杂、周期长、效率低以及波形可移植性和可重用性差等不足,在此具体分析了波形组件模型,采用模型驱动架构(MDA)提出了SCA波形开发流程,由此开发出实用的可视化波形集成开发环境SCA Enabler。以QPSK波形为例,详细阐述了基于MDA的SCA波形开发流程中的几个关键环节,为SCA波形开发提供规范。