基于细粒度信息交互注意力的情绪分类方法

现有细粒度分析方法未能充分利用细粒度情绪信息来增强上下文与评价目标间的语义关联性,且对多词构成的评价目标仅平均化处理,损失了词间内容与关系信息,导致分类不精准。针对上述问题,本文提出了一种基于细粒度信息交互注意力（interactive attention with fine-grained information,FGIA）的情绪分类方法,通过采用更加细粒度的注意力机制来实现评价目标与上下文之间的充分交互,同时得到目标对上下文以及上下文对目标的交互注意力表示,进而辅助完成情绪分类。在本文构建的COVID-19网络舆情中文数据集上进行了实验验证,结果表明,FGIA能够有效地提升网络舆情数据情绪分类的准确性,相比于主流的分类方法,在各项评价指标上均取得了较高的提升。     

突发事件应急处置团队的双阶段匹配优选方法

针对突发事件专家团队的遴选组建问题，提出了基于“应急任务—核心领导—团队成员”的双阶段匹配优化模型。首先，针对匹配评价参数语言信息的模糊性和随机性，建立基于正态云模型的转换框架，提出了考虑正态云距离的匹配满意度表征方法；其次，根据“个人-团队”理论建立专业覆盖、能力互补和一致性等团队匹配原则，提出了基于应急任务的“核心领导”匹配优选模型和基于“核心领导”和“团队成员”匹配优选模型，形成联动的双阶段优化模型。最后，以航班飞行航空器起火应急救援事件为案例，分析该方法的有效性和可行性。