循环码的周期分布的新的计算公式

本文在［１］文的基础上进一步分析了循环码的周期分布的性质，给出了新的计算方法和公式，并且确定了一些熟知的循环码的周期分布。     

因特网上的的数据传输

主要阐述ＴＣＰ／ＩＰ协议、数据在协议层之间的传送过程以及数据在网络和计算机系统之间传输的实现。     

基于AOP的面向对象程序的单元测试的应用

利用AOP编程思想来对系统代码和日志记录进行修改和优化,降低系统板块的依赖性,保证单元测试的正确性,实现软件系统的最大应用目标。基于AOP角度,面向对象程序的单元测试进行分析和阐述,来在增加对AOP编程思想了解,掌握单元测试的方法。     

航海计划的执行的海航日志的生成

深入地探讨了在电子海图的环境下航海计划的执行和航海日志的生成。     

基于ARM9的视频点播系统的的设计

在计算机技术和流媒体技术的快速发展下,视频点播(VOD)系统得到了广泛的应用,伴随着嵌入式技术和网络技术的发展,出现了基于嵌入式的视频点播系统,本文介绍了基于ARM9的嵌入式视频点播系统的组成,重点阐述了该系统的工作原理、设计方案、软硬件模块的实现方法。     

基于LDP的VPLS的实施模型的比较

首先简要介绍了基于LDP的VPLS的工作原理,然后探讨了层次化体系结构下的两种VPLS的实施模型,比较了这几种不同实施模型的VPLS的特点和适用环境.     

基于VPN技术的安全的BLUEPAC的构建

Bluetooth Public Access在日益受到人们青睐的同时,其安全性也备受关注,在介绍BLUEPAC的基础上,对BLUEPAC存在的安全问题进行了分析,而虚拟专用网能防御这些非法的恶意攻击行为。具体分析了VPN通过附加安全隧道、用户认证和访问控制等技术来提供数据的安全性保障,最后给出了一种将VPN技术应用于无线局域网中的网络部署方案。     

商家评论的情感分类研究和应用

大多数基于有指导机器学习方法的情感分类采用N元(n-gram)词袋(bag-of-words)模型,使用二值(binary)作为特征项的权重。本文系统地分析了信息检索中常用的特征权重计算方法,并从项频、倒文档率、归一化因子等角度加以借鉴和改进,研究其在商家评论上的应用。最主要的改进在于考虑了特征项在不同类别中分布情况的差异以及对倒文档率的平滑。在餐饮评论语料上的实验结果表明,经典的tf.idf若干变形,尤其是倒文档率类差异(delta idf)及平滑因子(smoothing factor)的引入,能有效提高分类准确率。在酒店、电脑、书籍等领域的在线评论公开数据集上也取得了较好的性能,证明了方法的普遍适用性。这一方法目前已经在中国电信号码百事通业务中用于餐饮商家及优惠券推荐,效果良好。     

基于改进特征选择方法的文本情感分类研究

提出了结合情感词典的改进信息增益特征选择方法。首先,针对现有的信息增益特征选择存在注重特征词的文档频率而忽视语料均衡等问题,提出了改进方法。其次,考虑情感词对文本分类的影响,提出了基于情感词典的特征选择（information gain combining sentiment classification,IGSC）算法进行文本分类。该算法通过对文本情感词进行匹配并结合情感词赋权重,实现了特征降维并解决了文本数据稀疏影响分类性能的问题;最后,针对旅游评论数据集对所提出的特征选择方法进行了实验验证及分析。实验结果表明,本文提出的改进文本情感分类特征选择方法在分类准确率、召回率和F值方面均得到了提升,并且具有较好的分类稳定性。     

面向情感倾向性分类的特征表达研究

Online reviews and comments are important information resources for people. A new model, called Sentiment Vector Space Model (SVSM), for feature selection and weighting is proposed to predict the sentiment orientation of comments and reviews, e.g., sorting out positive reviews from negative ones. Different from that of topic oriented classification, feature selection of sentiment orientation prediction focuses on language characteristics. Different from traditional algorithms for sentiment classification, this model integrates grammatical knowledge and takes topic correlations into account. Features are extracted, and the similarity between these features and the topic are also computed. The feature similarity is taken as a factor when evaluating the polarity of opinions. The experimental results show that the proposed model is more effective in identifying sentiment orientation than most of the traditional techniques.     

Intensified Sentiment Analysis of Customer Product Reviews Using Acoustic and Textual Features

Sentiment analysis incorporates natural language processing and artificial intelligence and has evolved as an important research area. Sentiment analysis on product reviews has been used in widespread applications to improve customer retention and business processes. In this paper, we propose a method for performing an intensified sentiment analysis on customer product reviews. The method involves the extraction of two feature sets from each of the given customer product reviews, a set of acoustic features (representing emotions) and a set of lexical features (representing sentiments). These sets are then combined and used in a supervised classifier to predict the sentiments of customers. We use an audio speech dataset prepared from Amazon product reviews and downloaded from the YouTube portal for the purposes of our experimental evaluations.     

文本情感分析研究综述

对文本情感分析的研究现状与进展进行总结。从情感分析的任务情感分类、情感检索、情感抽取3个方面详细介绍了相关研究和技术方法,重点阐述了基于语义的情感词典分类方法和基于机器学习的情感分类方法,并介绍了文本情感分析的评测,提出了未来的研究方向。     

中文文本情感倾向性五元模型研究

目前,情感倾向性判断正成为文本信息服务技术研究的热点和难点之一,而＂中文文本情感倾向性观点＂表示模型是文本情感倾向性判断的基础。情感倾向性五元模型从情感倾向性观点的持有者、倾向性的来源、倾向性的指向、倾向性的立场和倾向性的种类五个方面刻画中文文本情感倾向性的概念,丰富了情感倾向性的表示方法,提高了文本情感倾向性判断的精度,并以此为基础给出了句子级文本情感倾向性判断的定义和过程。     

基于情感标签的极性分类

情感极性分析是文本挖掘中一种非常重要的技术.然而在不同领域中,很多情感极性分类系统存在分类精度低和缺少大量标注数据的缺陷.针对这些问题,提出了一种基于情感标签的极性分类方法.首先通过所有文本建立Sentiment-Topic模型,抽取出文本的情感标签;然后利用情感标签将文本划分为两个子文本,并通过Co-training算法对子文本进行分类;最后合并两个子文本的分类结果,并确定文本的情感极性.实验结果表明该方法具有较高的分类精度,而且不需要大量的分类样本.     

基于多特征融合的人脸识别算法

针对局部二值模式描述子提取的纹理信息以及梯度幅值量化算子提取的边缘特征无法有效且全面地描述人脸信息的问题,文中提出一种基于马尔可夫稳态特征模型的多特征融合算法。首先,将通过GMQ算子提取的边缘特征以及通过LBP描述子提取的纹理特征分别与马尔可夫稳态特征模型进行融合,然后再将两者进行有效地线性加权融合。最后,在ORL数据集上进行的实验显示,文中提出算法的识别精度可达到 95.83%。与单一的特征提取算法以及常见的人脸识别算法对比结果表明了该方法的有效性。     

NgramPOS: a bigram-based linguistic and statistical feature process model for unstructured text classification

Research in financial domain has shown that sentiment aspects of stock news have a profound impact on volume trades, volatility, stock prices and firm earnings. In-depth analysis of stock news is now sourced from financial reviews by various social networking and marketing sites to help improve decision making. Nonetheless, such reviews are in the form of unstructured text, which requires natural language processing (NLP) in order to extract the sentiments. Accordingly, in this study we investigate the use of NLP tasks in effort to improve the performance of sentiment classification in evaluating the information content of financial news as an instrument in investment decision support system. At present, feature extraction approach is mainly based on the occurrence frequency of words. Therefore low-frequency linguistic features that could be critical in sentiment classification are typically ignored. In this research, we attempt to improve current sentiment analysis approaches for financial news classification by focusing on low-frequency but informative linguistic expressions. Our proposed combination of low and high-frequency linguistic expressions contributes a novel set of features for sentiment classification. The experimental results show that an optimal Ngram feature selection (combination of optimal unigram and bigram features) enhances sentiment classification accuracy as compared to other types of feature sets.

     

基于Transformer编码器的金融文本情感分析方法

目前针对文本情感分析的研究大多集中在商品评论和微博的情感分析领域,对金融文本的情感分析研究较少。针对该问题,文中提出一种基于Transformer编码器的金融文本情感分析方法。Transformer编码器是一种基于自注意力机制的特征抽取单元,在处理文本序列信息时可以把句中任意两个单词联系起来不受距离限制,克服了长程依赖问题。文中所提方法使用Transformer编码器构建情感分析网络。Transformer编码器采用多头注意力机制,对同一句子进行多次计算以捕获更多的隐含在上下文中的语义特征。文中在以金融新闻为基础构建的平衡语料数据集上进行实验,并与以卷积神经网络和循环神经网络为基础构建的模型进行对比。实验结果表明,文中提出的基于Transformer编码器的方法在金融文本情感分析领域效果最好。