基于情感词和多任务卷积神经网络的文本情感分布学习

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network, LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。     

中心修正增量主成分分析及其在文本分类中的应用

增量式学习模型是挖掘大规模文本流数据的一种有效的数据处理技术。无偏协方差无关增量主成分分析(Candid Covariance-free Incremental Principal Component Analysis, CCIPCA)是一种增量主成分分析模型,具有收敛速度快和降维效果好的特点。但是,CCIPCA模型要求训练数据是已经中心化或中心向量固定的。在实际的应用中,CCIPCA往往采用一种近似的中心化算法对新样本进行处理,而不会对历史数据进行中心化修正。针对这一问题,该文提出了一种中心修正增量主成分分析模型(Centred Incremental Principal Component Analysis, CIPCA)。CIPCA算法不仅对新样本进行中心化处理,而且会对历史数据进行准确的中心化修正。在文本流数据上的实验结果表明,CIPCA算法的收敛速度和分类性能明显优于CCIPCA算法,特别是在原始数据的内在模型不稳定的情况下,新算法的优势更为明显。     

基于情感轮和情感词典的文本情感分布标记增强方法

情感分布学习是一种近年提出的用于处理存在情绪模糊性的多情绪分析模型,其核心思路是通过情感分布记录示例在各个情绪上的表达程度.不同于传统的单标记或多标记学习,情感分布学习可以定量地对多个情绪同时建模.目前,情感分布学习面临的一个重要困难是缺乏已标注情感分布的文本数据集.为了利用大量已有的单标记情感数据集,情感分布标记增强方法可以将示例的情绪标签增强为情感分布.基于文本中的情感词蕴含着大量情感信息的特点,本文在引入普鲁契克情感轮心理学模型的基础上,提出基于情感轮和情感词典的情感分布标记增强方法(Emotion Wheel and Lexicon based emotion distribution Label Enhancement,EWLLE).EWLLE方法基于情绪的心理学距离为句子的真实情绪标签和情感词的情绪标签分别生成离散高斯分布,然后通过分布的叠加将两种信息综合为统一的情感分布.在7个常用的中英文文本情感数据集上的对比实验表明,EWLLE方法在情绪识别任务上的性能优于已有的情感分布标记增强方法.     

基于偏最小二乘降维的分类模型比较

在众多数据降维方法中,偏最小二乘降维方法是一种非常有效的数据降维模型,并被广泛应用于生物基因数据分析等领域。但基于偏最小二乘降维的分类模型的选择问题,往往为以往的研究工作所忽视,研究者基本是根据自身喜好选择不同的分类模型。针对这一问题,本文通过大量的实验,对多种不同分类模型在生物基因芯片数据集上的性能进行了比较和分析。通过t检验,发现人工神经网络、逻辑斯特判别、线性支持向量机是3种在偏最小二乘降维上性能较好的的分类模型。     

基于多重多元回归的人脸年龄估计

基于标记分布学习的人脸年龄估计方法利用相近年龄的人脸变化较为缓慢的特点,采用年龄标记分布向量表示附近年龄描述目标年龄的程度,将学习任务从单值的目标年龄预测转变为年龄标记分布向量的估计,较为有效的解决了人脸年龄估计任务中训练数据不足的问题。但是,现有的标记分布学习方法存在不能构建统一的标记分布预测模型(基于最大熵模型的方法)或容易过拟合的问题(基于神经网络的方法)。为了解决这些问题,将基于标记分布学习的年龄估计转换为同时对多因变量进行预测的多重多元回归分析问题,并采用多因变量偏最小二乘回归方法进行求解。多因变量偏最小二乘回归模型对数据分布没有前提假定,在自变量存在较大的相关性的情况下仍可建立有效的多因变量预测模型。在FG-NET人脸数据库上的大量对比试验结果表明,本研究提出的基于多重多元回归的人脸年龄估计方法在大幅度提高模型训练效率的同时,具有更高的年龄估计准确度。     

融合情感轮注意力的情感分布学习

情感分布学习是一种近年提出的有效的多情绪分析模型,其核心思路是通过情感分布记录示例在各个情绪上的表达程度,适于处理存在情绪模糊性的情感分析任务。针对现有的情感分布学习方法较少考虑情感心理学先验知识的问题,提出一种基于情感轮注意力的情感分布学习（emotion wheel attention based emotion distribution learning,EWA-EDL）模型。EWA-EDL模型为每种基本情绪生成一个描述情绪心理学相关性的先验情感分布,再通过注意力机制将基于情感轮的先验知识直接融入深度神经网络。EWA-EDL模型采用端到端的方式对深度网络进行训练,同时学习情感分布预测和情绪分类任务。EWA-EDL模型主要由5部分构成,分别为输入层、卷积层、池化层、注意力层和多任务损失层。在8个常用的文本情感数据集上的对比实验表明,EWA-EDL模型在情感分布预测和情绪分类任务上的性能均优于对比的情感分布学习方法。     

一种典型并行程序风范--"管理者-工人"的设计模式开发与实现

PVM／MPI并行编程方法是目前编程人员广泛使用的方法之一，但此方法将并行性开发的任务完全交给编程人员．由于系统开发方法的缺乏以及编程人员水平与风格的差异，软件的质量与效率往往难以得到保证。为此，本文在PVM／MPI并行编程方法研究的基础上，引入了设计模式的思想，并针对一种典型的并行程序风范——“管理者-工人”设计模式的思想进行了定义、描述与实现。编程人员通过使用本文实现的设计模式，极大地减轻编程负担，有效地提高并行程序的可编程性，有利于在解决可适用管理者-工人并行程序风范的一类问题时得到结构良好的并行程序。