多任务学习利用不同任务之间的相似性辅助决策,与单任务学习相比,多任务学习能够利用更多的信息,从而可以弥补单任务学习信息利用不足的缺陷。本文选择NTCIR-ECA数据集中的中文和英文文本数据作为实验数据,以情感原因分析作为研究任务,提出了一种结合多任务学习和深度学习的模型MTDLM(multi-task deep learning model),实现不同语种下的情感原因分析。实验结果表明,在数据不平衡的情况下,MTDLM模型对英文语种的情感原因识别的最优F值为39%,优于单任务学习(F值为0)和传统基线模型(LR的F值为33%),从而验证了模型的有效性。
社区发现研究是发现潜在的社区对于信息传播规律的研究,是当前复杂网络领域的研究热点和重要研究方向。文章以Web of Science数据库收录的社区发现文献作为数据样本,借助CiteSpaceV软件进行知识图谱分析,分别绘制了时空分布、文献共被...
详细信息
社区发现研究是发现潜在的社区对于信息传播规律的研究,是当前复杂网络领域的研究热点和重要研究方向。文章以Web of Science数据库收录的社区发现文献作为数据样本,借助CiteSpaceV软件进行知识图谱分析,分别绘制了时空分布、文献共被引和关键词科学知识图谱,进而探究了社区发现研究的分布状况、演进轨迹、研究热点及研究前沿。
暂无评论