基于句式内容表的电网安全隐患文本分类方法

文章使用构建的句式内容表配合机器学习的方式对长白电网历年储存的电网安全隐患信息进行精准分词并将其按要求分类,方便按类别精准取用信息为日后进一步数据分析打下基础。     

地震属性概述

随着石油勘探从寻找构造圈闭进入识别描述地层、岩性等隐蔽圈闭阶段,地震属性在构造精细刻画、沉积相带划分、储层识别、油藏描述及油气检测等方面的作用越来越大。对地震属性的概念、发展历程、分类、主要应用方面、影响因素进行了概述,对地震属性有一个宏观和理论上的分析,以期在具体应用地震属性解决实际勘探问题过程中提供参考作用,有助于提高少井区和无井区的预测精度。     

基于深度森林的安卓恶意软件行为分析与检测

随着移动互联网渐渐渗入人们的日常生活,面向安卓的恶意软件也对用户产生着愈发巨大的负面影响。本文针对传统安卓恶意软件静态检测技术在检测多分类恶意行为时准确性及灵活性的不足,提出了一种基于深度森林(Gcforest)的恶意软件行为检测机制,最后经过实验测试与对比,证明此机制在恶意软件行为检测效果、参数调节难易度上具有明显优势。     

有监督的人工智能机器学习图片认知分类系统的方法研究

人工智能出现在我们视野的占比逐渐增大,给我们的生活工作带来了很多便利,步入信息时代的社会离不开信息技术。人工智能机器学习在众多的数据以及产品中具备其独特的特点,本文以介绍机器学习的进行简要介绍,并在此基础上对图片认知分类进行阐述。     

一种利用情感词统计信息构造文本特征表示的方法

数据表达方法和文本分类的效果密切相关。文本分类中常用的数据表达方法主要包括基于词典的共现频率方法、基于隐性语义空间(LSA/SVD)的方法、基于神经网络语言模型的方法。该文提出一种利用单词的统计特征创建文本分类中特征空间的表达方法。该方法利用单词的7种常见的统计特征，通过相关性分析选取相对独立的统计特征创建特征空间。该方法能够有效降低文本向量空间的维度，同时降低了语义空间内的计算复杂度。情感分类实验的结果表明，与现有的单词的数据表达方法相比，该方法能够显著提高分类算法的准确率和召回率。     

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。     

结合句法依存信息的方面级情感分类

引入句法依存信息到原方面术语,提出一种新的方面术语表示方法,利用Glove词向量表示单词以及单词与单词之间的依存关系,构造出包含句法依存信息的依存关系邻接矩阵和依存关系表示矩阵,利用图卷积神经网络和多头注意力机制将句法依存信息融入到方面术语中,使得方面术语表达与上下文结构高度相关。将改进后的方面词术语表示替换到现有模型后,模型泛化能力得到有效提升。对比试验和分析结果表明:该方法具有有效性和泛化性。     

人工智能实例分析

介绍了人工智能处理二分类问题的一般流程,详细阐述数据预处理、模型构建的技术处理方法,并对比xgboost、LM神经网络、随机森林、cart决策树、逻辑回归算法的应用效果,对智能风控具有一定的借鉴意义.