基于特征选择和深度信念网络的文本情感分类算法

由于人类语言的复杂性，文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络（DBN）通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说，DBN是一个耗时且计算代价昂贵的算法。针对这个问题，提出了一种半监督的情感分类算法，即基于特征选择和深度信念网络的文本情感分类算法（FSDBN）。首先使用特征选择方法（文档频率（DF）、信息增益（IG）、卡方统计（CHI）、互信息（MI））过滤掉一些不相关的特征从而使词汇表的复杂性降低；然后将特征选择的结果输入到DBN中，使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中，实验结果表明在酒店评论数据集上，FSDBN在准确率方面比DBN提高了1.6%，在训练时间上比DBN缩短一半。     

宋词研究的新视角: 文本关联与时空可视分析

传统的历史与文学研究通常是案例式地分析具体的文学作品与词人的背景.文学作品的内容、情感与含义和作者的生平经历、师承流派、家国时代背景息息相关,传统的分析方法难以直观地了解以上各项内容的关联.以宋词作为文学作品代表进行分析,提出了一套基于文本关联与时空可视分析的方法.它支持文学研究者从词人的生平轨迹和不同生活年代的背景进行分析与对比,探索不同年代、不同经历的词作在文本主题上的相关性与独特性.并且,通过对宋词文本的音律情感可视化与文本意象的关联分析,让文学研究者拥有多维度的视角去了解宋词文本的特性,不仅仅是分析文本本身,而是支持词作与词人的年谱和时代背景进行交叉验证.与宋代文学研究专家合作,通过对他们进行用户实验研究,证明了该方法可以有效地帮助专家对词人的文学生涯及作品进行深入分析,并探索出新的研究视角,为今后的研究提供了更广阔的分析基础.     

面向文本数据的正则化交叉验证方法

面向文本数据建模时,交叉验证方法是特征选择及模型比较任务中的常用方法。许多研究表明,文本数据模型的性能估计对交叉验证的数据切分方式较为敏感,不合理的切分方式可能会导致不稳定的性能估计值,使得实验结果可复现性差。该文试图论证基于多次重复(m次)的2折交叉验证,通过引入对训练集、验证集分布差异的约束,所构造的正则化m×2交叉验证方法(简记为m×2 BCV)可以改善模型的性能指标的估计,适宜于模型比较。该文首先针对文本数据引入训练集与验证集分布差异的卡方度量,基于该度量构建数据切分的正则化条件,以最大化模型性能指标的信噪比为目标,给出了满足正则化条件的m×2 BCV的数据切分优化算法。最后,以自然语言处理中汉语框架语义角色标注任务为例,验证了基于m×2 BCV方法的有效性。     

计算机技术文本分类中的语义分析算法的实践探讨

大数据时代的到来,为人们带来大量的文本信息,而如何在文本信息中搜寻有效信息,成为人们关注重点。文本分类技术是一项以人工技能为基础的新型技术,其能够根据语义分析将计算机技术文本进行科学分类,帮助人们获得其想要的信息,满足群众的需求。对此,文章基于语义分析,探讨了文本分类技术的应用。     

西门子WCC文本列表运用解析

在利用西门子WCC进行组态设计,实现人机界面交换时,需要用到文本列表来实现如程序、参数、指令等的选择,要实现该功能涉及到各软件的运用,相关书籍介绍较少,通过对西门子WCC、西门子PLC、VBS软件的结合,实现了在人机交换过程中程序的选择、数据的导入等,其他工程设计可以参考。     

如何使用NLP高效解析语言文字

本文通过对文本分类和QA系统进行预处理,分别构建双向长短期记忆自注意力网络分类模型、Transformer分类模型和基于BERT的微调分类模型,进行模型的训练。实验结果表明,基于BERT的微调分类模型具有结构简单,训练参数较少,训练速度快等特点,并且拥有较高的准确率。     

基于改进深度学习算法的文本极性智能判断方法研究

为了解决传统的文本极性智能判断方法判断结果准确率和召回率普遍较低的问题,基于改进深度学习算法研究一种新的文本极性智能判断方法。在CNN结构基础上设计一种新的深度学习算法模型,模型由输入层、输出层、采集层、连接层、卷积层五部分构成。使用该模型对文本进行智能判断,判断过程共有五步,分别是文本预处理、情感词提取、表情符号提取、感情倾向值计算和情感最终倾向值分析。为检测所提方法的有效性以及优越性,与传统判断方法进行实验对比,结果表明,基于改进深度学习算法的文本极性智能判断方法判断的准确率和召回率更高,发展空间更广阔。