基于Bert预训练模型的虚假新闻文本检测

虚假新闻剥夺了人们获取真相的权利,也给社会和国家带来了许多危害。文中以虚假新闻文本为例,分析和验证了多种预训练语言模型在虚假新闻文本分类上的分类效果。经实验证明,相较于其他语言模型,Bert预训练语言模型取得了较好的结果,预测准确率为86.97%,召回率为88.12%,F1值为87.54%。     

一种面向网络安全的图像文字敏感词过滤方法

针对社交平台发布的敏感信息,提出一种复杂背景图像中布局不规则文字敏感词过滤方法。使用连通域分析、连通域合并及倾斜矫正方法定位与分割图像中的单个字符;采用卷积神经网络对单个字符进行识别;使用中文分词和字符串编辑距离来检测敏感词。实验结果表明,该方法可行有效。     

SFEP文本因果关系提取及其与SFN转化研究

为将系统故障演化过程(system fault evolution process，SFEP)的文本描述转化为空间故障网络(space fault network，SFN)结构，用于故障分析，本文提出SFEP文本因果关系提取方法，及其与SFN基本结构的转化方法。首先给出SFEP中事件的几种典型因果关系。随后提出因果关系与SFN基本结构的转化流程。本文方法围绕着关键字和因果关系组模式展开，通过模型的不断学习补充和丰富关键字和组模式。最终使方法具备将SFEP文本转化为SFN结构的能力。以飞机起落架故障发生过程文本为例进行了应用，实验结果表明该方法可用于SFEP文本中的因果关系分析，并得到了理想的SFN。完善的关键字和组模式有利于使用计算机智能处理SFEP的SFN。     

基于Word2Vec模型和K-Means算法的信息技术文档聚类研究

互联网上与信息技术相关的文档和学习资料较为分散,而且会随着信息技术的发展而动态更新。作者提出了一种基于Word2Vec模型和K-Means算法的聚类方法,能够实现对与信息技术相关的网络文档的聚类,并对不同来源和主题的技术文档自动分类,此方法对构建信息技术知识库和在线学习平台具有较强的支撑作用。