基于联合特征与Bi-LSTM模型的英汉双语文本情绪预测

英汉双语文本中的情绪可以通过英语和汉语的单语或者双语形式来表达。然而,以往的研究主要集中在单语文本的情绪分析,只有少数研究侧重于英汉双语文本。为提高英汉双语文本情绪预测效果,本文结合情绪词典方法与深度学习方法,使用联合特征与Bi-LSTM模型来对英汉双语文本进行情绪预测。首先基于情绪词典抽取出双语文本中包含的情绪词特征,然后联合情绪词特征与双语文本特征输入至Bi-LSTM模型进行特征学习,最后将学习到的深度语义特征输入到分类器中进行情绪预测。实验结果表明,该方法对英汉双语文本的情绪预测有良好的效果。     

基于AM-BiLSTM模型的情绪原因识别

文本情绪原因识别是情感分析中一个新的研究方向,旨在从文本中自动检测出导致某一情绪产生的原因。针对循环神经网络在长文中出现的长期依赖问题,本文提出了一种基于注意力机制和双向长短时记忆(attention model and bi-directional long short-term memory,AM-BiLSTM)神经网络模型的情绪原因识别方法。该方法采用字符向量表示文本语义信息,使用BiLSTM模型提取文本特征,该过程结合了人工提取的子句特征,在训练模型时,引入了注意力机制来优化模型性能,使用softmax对子句进行分类。实验结果表明本文方法对情绪原因的识别是有效的。     

基于语言规则的病症菌实体抽取

实体抽取在自然语言处理领域中已经相当成熟;随着电子医疗文本急剧增加,医疗实体抽取在医疗领域的应用越来越受到关注.然而,针对医疗领域的专业术语,通用实体抽取方法普遍存在准确率不高的问题.针对药品说明书中的疾病、症状和致病菌,本文采用语言规则的方法,对其进行抽取并评价其准确性.首先,根据已有的术语表分词、词性标注并进行实体抽取;其次,根据语言规则识别医疗实体,从而提高实体抽取的准确率.实验结果显示各类医疗实体抽取的准确率可达80%以上.     

多媒体文本数据的模式挖掘方法

给出了多媒体文本数据挖掘（MTM）的定义和分类,提出了多媒体文本数据挖掘过程模型（MTMM）及其特征表示,讨论了多媒体文本类挖掘方法,MTM与Web挖掘的区别与联系,以期发现有用的知识或模式,促进MTM的发展和应用。     

基于人工神经网络的多媒体语音特征挖掘

提出了一种基于人工神经网络的聋儿语音训练识别的多媒体特征挖掘技术 .构造了邻域三层神经元合作竞争的动态行为神经元模型 ;实验选取了动态递减函数、动态最小覆盖矩阵和动态确定阈值形成的 SOL A挖掘算法 ;以及聚类分布的网络图技术 .解决了聋儿语音训练系统中基本语音识别的难题 .     

多维数据检索查询的新机制

结合数据立体方体和R树两种索引方法快速灵尖地进行数据查询,设计了最近邻接快速查询算法FNN,解决了一般R树查询中无法快速查询高维度数据的问题,使查询更高效,应用更广泛。     

多媒体数据挖掘的相关媒体特征库方法

提出了数据挖掘系统原型 MDMP的媒体特征库 (MFD)特征与建立特征库的方法 .介绍了 MFD数据模型特征和数据类型 ;特别是构造了包括空间拓扑关系和方向关系的媒体特征获取方法 .面向对象的 MFD,支持复杂对象和基于多种特征的相关对象查询 ,支持关联存取和导航机制 ,能满足相关媒体数据挖掘 MDM的需要 .     

基于信息单元融合的新闻原子事件抽取

原子事件抽取是将非结构化文本进行结构化表示的重要方法.针对新闻语料,本文提出了一种基于信息单元融合的原子事件抽取方法.在中文分词、词性标注、命名实体识别等自然语言处理技术的基础上,利用语言规则将信息单元标识出来并进行融合,达到浅层句法分析的效果,通过原子事件抽取算法将原子事件从经信息单元融合后的语料中抽取出来.基于信息单元融合的原子事件抽取方法不仅对文本长度没有严格限制,并且不受事件类型的约束;实验结果表明,基于信息单元融合的原子事件抽取方法是有效的.