全文获取类型
收费全文 | 81篇 |
免费 | 3篇 |
国内免费 | 3篇 |
专业分类
综合类 | 13篇 |
化学工业 | 2篇 |
矿业工程 | 11篇 |
能源动力 | 2篇 |
自动化技术 | 59篇 |
出版年
2022年 | 9篇 |
2021年 | 2篇 |
2020年 | 4篇 |
2019年 | 15篇 |
2018年 | 4篇 |
2017年 | 4篇 |
2016年 | 1篇 |
2015年 | 4篇 |
2014年 | 3篇 |
2013年 | 8篇 |
2012年 | 12篇 |
2011年 | 1篇 |
2010年 | 3篇 |
2008年 | 1篇 |
2005年 | 1篇 |
2002年 | 1篇 |
1999年 | 1篇 |
1995年 | 3篇 |
1992年 | 1篇 |
1990年 | 2篇 |
1989年 | 1篇 |
1988年 | 1篇 |
1986年 | 2篇 |
1985年 | 2篇 |
1981年 | 1篇 |
排序方式: 共有87条查询结果,搜索用时 15 毫秒
1.
随着社交媒体的发展,用户之间的关系网络对于社交媒体的分析有很大的帮助。因此,该文主要研究用户好友关系检测。以往的关于用户好友关系抽取的研究主要基于社交媒体上的结构化信息,比如其他好友关系,用户的不同属性等。但是,很多时候用户本身并没有大量的好友信息存在,同时也不一定有很多确定的属性。因此,我们希望基于用户发表的文本信息来对用户关系进行预测。不同于以往的潜在好友推荐算法,该文提出了一种基于注意力机制以及长短时记忆网络(long short-term memory,LSTM)的好友关系预测模型,将好友之间的评论分开处理,通过分析用户之间的评论来判断是否具备一定的好友关系。该模型将好友双方信息拼接后的结果作为输入,并将注意力机制应用于LSTM的输出。实验表明,用户之间的评论对于好友关系预测确实有较大的实际意义,该文提出的模型较之于多个基准系统的效果,取得了明显的提升。在不加入任何其它非文本特征的情况下,实验结果的准确率达到了77%。 相似文献
2.
3.
4.
5.
6.
关于布朗运动过程的最佳非线性预测 总被引:1,自引:1,他引:0
李寿山 《沈阳化工学院学报》1988,(1)
本文将研究非线性预测理论中的一些问题。首先,取标准布朗运动过程X(t)为基础过程,然后用满足一定条件的Borel可测函数f,把X(t)进行变换而得到新的随机过程f(X(t))。这样,实际能够观测到的过程就是形如Y(t)=f(X(t))的随机过程。本文的主要目的就是,利用观测值Y(f),r≤t来求Y(t+τ)、τ>0的最佳非线性预测量Y(t,τ)。其次,取带漂移布朗运动过程为基础过程,而后用如上的方法作出新的随机过程。从而,讨论怎样求这种过程的最佳非线性预测量问题。 相似文献
7.
面向问答型评论的情感分类在情感分析领域是一项新颖且极具挑战性的研究任务。由于问答型评论情感分类标注数据非常匮乏,基于监督学习的情感分类方法的性能有一定限制。为了解决上述困境,该文提出了一种基于联合学习的问答情感分类方法。该方法通过大量自然标注普通评论辅助问答情感分类任务,将问答情感分类作为主任务,将普通评论情感分类作为辅助任务。具体而言,首先通过主任务模型单独学习问答型评论的情感信息;其次,使用问答型评论和普通评论共同训练辅助任务模型,以获取问答型评论的辅助情感信息;最后通过联合学习同时学习和更新主任务模型及辅助任务模型的参数。实验结果表明,基于联合学习的问答情感分类方法能较好融合问答型评论和普通评论的情感信息,大幅提升问答情感分类任务的性能。 相似文献
8.
9.
情感信息抽取是情感分析中的一个重要子任务。虽然该任务已经开展有一段时间,但是面向中文文本的情感信息抽取任务研究才刚刚起步。目前中文文本的情感信息抽取面临的首要困难在于现有的相关中文语料库还非常有限。为了更好开展中文文本的情感信息抽取研究,该文重点研究了中文语料标注体系,构建一个规模较大、标注类型丰富的中文情感信息抽取语料库。除了常见语料库标注的情感倾向性、评价对象、情感词等信息外,重点标注了评价对象的省略、无情感词情感句表达及极性转移等情况。由语料信息统计可知,该文所指出的特殊现象(例如,评价对象的省略)在中文情感表达中是非常普遍的,开展这方面的研究很有必要。该文所构建的中文文本语料库将为中文情感信息抽取任务提供语料基础。 相似文献
10.
情绪分类是自然语言处理问题中的重要研究问题之一。情绪分类旨在对文本包含的情绪进行自动分类,该任务是情感分析的一项基本任务。然而,已有的研究都假设各情绪类别的样本数量平衡,这与实际情况并不相符合。该文的研究主要面向不平衡数据的情绪分类任务。具体而言,该文提出了一种基于多通道LSTM神经网络的方法来解决不平衡情绪分类问题。首先,该方法使用欠采样方法获取多组平衡训练语料;其次,使用每一组训练语料学习一个LSTM模型;最后,通过融合多个LSTM模型,获得最终分类结果。实验结果表明该方法明显优于传统的不平衡分类方法。 相似文献