面向异质信息网络的表示学习方法研究综述

网络表示学习旨在为网络中的组件(节点、边、子网络等)学习出低维的表征向量,使得这些向量能够在最大程度上保留组件在原网络中的特性。异质信息网络是由多种类型的节点、链接关系以及属性信息组成的网络,具有动态性、大规模和异质性等特点,在现实生活中普遍存在。融合多种异质信息进行网络表示学习,能在一定程度上解决数据稀疏问题,同时有助于训练出具有高区别力和推理能力的表征向量。但与此同时,也面临着如何有效处理复杂数据关系以及平衡异质信息的挑战。近年来,研究者们针对异质信息网络设计了不同的表示学习算法,在很大程度上推动了该领域的发展。针对这些算法,首先设计一个统一的分类框架,接着对各类别下的代表性算法进行概括介绍和比较,分析它们的时间复杂度和优缺点。此外,分类汇总了实验中的常用数据集。最后给出了该领域的挑战和未来可能的研究方向。     

基于图元识别的OCR文本图像矫正算法分析

受数字化变革的影响,无纸化逐渐成为办公自动化的显著标志,但在纸质文件通过扫描或者拍照转换为OCR文本图像的过程中,文本图片经常不可避免地会产生一定的倾斜,基于此,该文简要分析了OCR文本图像的倾斜矫正方法,并详细论述了基于投影图改进的OCR文本图像倾斜矫正快速算法,希望论述内容能够为相关业内人士带来一定启发。     

网络舆情监测的数据采集与文本分类技术分析

在这个信息爆炸的网络时代,基于网络与社会舆论而诞生的网络舆情,成为社会、国家关注的研究重点之一,构建互联网时代的舆情监控体系成了当前信息化时代的迫切需求。文章从网络舆情分析与监管的意义入手,介绍了国内外关于网络舆情监测的研究,围绕舆情采集、数据预处理、文本分类技术大致介绍了网络舆情研究的关键技术与步骤。     

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。     

基于深度学习的安全缺陷报告预测方法实证研究

软件安全问题的发生在大多数情况下会造成非常严重的后果，及早发现安全问题，是预防安全事故的关键手段之一.安全缺陷报告预测可以辅助开发人员及早发现被测软件中潜藏的安全缺陷，从而尽早得以修复.然而，由于安全缺陷在实际项目中的数量较少，而且特征复杂（即安全缺陷类型繁多，不同类型安全缺陷特征差异性较大），这使得手工提取特征相对困难，并随后造成传统机器学习分类算法在安全缺陷报告预测性能方面存在一定的瓶颈.针对该问题，提出基于深度学习的安全缺陷报告预测方法，采用深度文本挖掘模型TextCNN和TextRNN构建安全缺陷报告预测模型；针对安全缺陷报告文本特征，使用skip-grams方式构建词嵌入矩阵，并借助注意力机制对TextRNN模型进行优化.所构建的模型在5个不同规模的安全缺陷报告数据集上展开了大规模实证研究，实证结果表明：深度学习模型在80%的实验案例中都要优于传统机器学习分类算法，性能指标F1-score平均可提升0.258，在最好的情况下甚至可以提升0.535.除此之外，针对安全缺陷报告数据集存在的类不均衡问题，对不同采样方法进行了实证研究，并对结果进行了分析.