声学模型区分性训练中的动态加权数据选取方法

提出了一种基于动态加权的数据选取方法, 并应用到连续语音识别的声学模型区分性训练中. 该方法联合后验概率和音素准确率选取数据, 首先, 采用后验概率的Beam算法裁剪词图, 在此基础上依据候选词所在候选路径的错误率, 基于后验概率动态的赋予候选词不同的权值; 其次, 通过统计音素对之间的混淆程度, 给易混淆音素对动态地加以不同的惩罚权重, 计算音素准确率; 最后, 在估计得到弧段期望准确率分布的基础上, 采用高斯函数形式对所有竞争弧段的期望音素准确率软加权.实验结果表明, 与最小音素错误准则相比, 该动态加权方法识别准确率提高了0.61%, 可有效减少训练时间.     

硬约束限制的情感文本生成方法研究

预训练语言模型在情感文本的生成任务中取得了良好效果,但现有情感文本生成方法多使用软约束的方式控制文本整体的情感属性,缺乏单词和短语级别的硬性控制。为解决以上问题,提出硬约束限制下的情感文本生成方法。首先使用方面情感分析技术提取句子的方面词、情感词并判断情感极性;之后,选择目标情感的方面词和情感词作为预训练语言模型的硬约束输入来重建完整句子,其中,设计了一种新的单词权重计算方法,旨在使模型优先生成重要单词。实验结果表明,该方法生成的句子不仅具有方面级情感,在文本质量和多样性的评价指标上也有显著提高。     

Automatic Topic Detection Based on Document Concept Similarity

传统话题自动检测一般采用向量空间模型进行文本相似度计算,这种方法单纯依靠特征词进行话题检测,忽略了词之间的概念及由此而引发的概念相似度。针对此问题,文章首先对网络新闻文本进行事件元素提取,并将事件元素特征词分解为概念集合,通过计算概念集合的内积空间得到词之间的相似度,进而根据词相似度计算文本相似度,最后根据概念相似度计算实现话题的自动检测。实验结果表明,本方法能够有效提高话题检测的准确率和召回率。     

基于直觉模糊推理的网络舆情预警方法*

为解决网络舆情预警等级问题,提出了一种基于直觉模糊推理的网络舆情预警方法。借鉴战场态势分析思想,对网络舆情态势分析的原理进行了阐述,选取了适合计算机实现的七个网络舆情态势分析模式对预警等级进行判断。选择七个舆情话题进行实验,实验结果表明,该方法能够准确地估计出威胁等级,符合专家经验判断,说明该方法是可行的。     

基于多粒度文本特征表示的微博用户兴趣识别

微博用户兴趣发现对社交网络的个性化推荐和信息传播的正确引导具有重要意义,因此提出了一种基于多粒度文本特征表示的微博用户兴趣识别方法.首先,从主题层、词序层和词汇层3个方面对微博用户构造文本向量,利用LDA提取内容的主题特征,通过LSTM学习内容的语义特征,引入腾讯AI Lab开源词向量获取词义特征;然后,将以上3种特征向量拼接得到的多粒度文本特征表示矩阵输入CNN中,进行文本分类训练;最后,通过多端输出层实现对微博用户的兴趣识别.实验结果表明,多粒度特征表示模型的分类实验结果比单粒度特征表示模型的精准率、召回率和F1值分别提高了8％,12％和13％.基于对文本粗、细语义粒度和词粒度的综合考量,结合神经网络分类算法,多粒度特征表示模型的评价指标均优于单粒度特征表示模型.     

基于群稀疏约束的语音识别特征混合判别分析

为了克服因数据不足,而造成较难提取稳定的长时特征的问题,提出了一种基于群稀疏约束的混合判别分析方法。该方法首先采用高斯混合模型描述数据的分布,在此基础上利用二次变分的形式进行群稀疏的表示,得到基于群稀疏约束的混合判别分析目标函数。接着,通过定义模糊响应矩阵（blurred response matrix）,有效地结合最优化得分方法求解判别分析变换矩阵。最后,拼接相邻帧梅尔滤波器组输出组成超矢量,采用变换矩阵进行变换降维,提取时频特征。实验结果表明,本文方法能够得到稀疏的变换矩阵,相比于PLDA(Penalized LDA)和SLDA（Sparse LDA）判别分析方法,识别准确率分别提高了0.71%和1.53%,且在数据不足的条件下,本文方法能获得更高的识别性能。     

直觉模糊集Choquet积分在目标威胁估计中的应用

针对威胁估计过程具有一定的不确定性,威胁因素往往又具有一定的相关性问题,将直觉模糊集和模糊积分引入信息融合领域中,提出了基于直觉模糊集Choquet积分的威胁估计方法.首先,利用直觉模糊集理论构建了基于不同威胁因素的直觉模糊估计器,利用隶属度函数和非隶属度函数表示每个威胁估计器的不确定性.其次,利用模糊测度对威胁因素和因素集的重要程度进行建模.再通过Choquet模糊积分完成不同威胁估计器结果的集成,完成对目标威胁程度的估计.最后,以20批空中目标的威胁评估实例,验证了方法的有效性.     

LS-SVM：一种有效的新闻主题追踪方法

新闻主题追踪是对主体所感兴趣的新闻主题的发展趋势进行动态追踪,其优势在于对所感兴趣的主题基于文本模型及理解的动态追踪,因此更多地涉及文本表示与语义理解。LS-SVM首先将文本利用LSI(隐含语义分析)进行分析,完成对文本基于语义的特征降维及文本表示;然后将隐含语义文本表示的结果输出给SVM进行主题追踪,从而实现从语义层次上的新闻主题追踪。实验结果表明,与传统的主题追踪相比较,该方法能够有效提高主题追踪的性能,减少追踪的错报率和漏报率。     

基于关系强度理论与反馈机制的信息传播动态网络表示

现有多数网络表示学习方法不能很好地贴合真实世界的信息传播网络,且无法对信息传播动态网络的时间特性与动力学演化特征进行有效建模。提出一种新的信息传播动态网络表示模型,基于关系强度将信息传播动态网络划分为关系网络与传播网络,并分别计算变化节点对的概率密度和邻接矩阵。通过更新节点注意力强度矩阵,聚合节点邻域变化信息,并融合节点邻域变化信息、自身历史信息以及外部影响因素,对信息传播动态网络进行归纳式表示学习。引入反馈机制,将最新的节点表示反馈到邻居节点,解决网络表示不及时的问题,提升网络表示性能。实验结果表明,与Know-Evolve、DyRep、LDG等模型相比,该模型的命中率和平均排名提升显著,与LDG模型相比,其时间效率在Social Evolution数据集和Github数据集上分别提升了91.8%、87.2%。     

基于可信度变化趋势的音频分割算法

提出基于可信度变化趋势的音频分割算法。采用定长滑动窗检测结构减少累积错误,在窗内计算各音频帧的可信度,根据可信度的变化趋势检测跳变点,以避免阈值选择和硬门限判决造成的误检。实验结果表明,该算法的分割性能优于基于KL2距离、基于隐马尔可夫模型、基于贝叶斯信息准则和基于熵变化趋势的音频分割算法。