针对目前方面级情感分析(ABSA)模型过多依赖关系较为稀疏的句法依赖树学习特征表示,导致模型学习局部信息能力不足的问题,提出了一种融合多窗口局部信息的ABSA模型MWGAT(combining Multi-Window local information and Graph ATtention ...
详细信息
针对目前方面级情感分析(ABSA)模型过多依赖关系较为稀疏的句法依赖树学习特征表示,导致模型学习局部信息能力不足的问题,提出了一种融合多窗口局部信息的ABSA模型MWGAT(combining Multi-Window local information and Graph ATtention network)。首先,通过多窗口局部特征学习机制学习局部上下文特征,并挖掘文本包含的潜在局部信息;其次,采用能够较好理解依赖树的图注意力网络(GAT)学习句法依赖树所表示的语法结构信息,并生成语法感知的上下文特征;最后,将这两种表示不同语义信息的特征融合,形成既包含句法依赖树的语法信息又包含局部信息的特征表示,从而便于分类器高效判别方面词的情感极性。在Restaurant、Laptop和Twitter这3个公开数据集上进行实验,结果表明与结合了句法依赖树的T-GCN(Type-aware Graph Convolutional Network)模型相比,所提模型的Macro-F1分数分别提高了2.48%、2.37%和0.32%。可见,所提模型能够有效挖掘潜在的局部信息,并更为精确地预测方面词的情感极性。
智能电网中边缘计算迁移技术的应用一定程度上满足了电力业务的实时性要求,然而,随着电网规模的扩大,电力终端设备接入密度越发增高,分布情况越发复杂,传统的静态边缘计算节点难以完全覆盖分散的电力终端设备,进而导致计算迁移性能、效率过低。提出了一种基于双重延迟深度确定性策略梯度的多无人机辅助计算迁移算法(Collaborative Cloud-Edge Computing Offloading Based on TD3, CeCO-TD3),该算法构建了一个联合无人机飞行角度、距离、迁移服务选择和任务迁移比的多目标优化函数,以最小化系统的计算时延与能耗,利用深度强化学习算法对问题求解。并引入云边协作框架和带有优先级的云端策略经验池,进一步保障了多无人机的计算迁移服务质量。实验结果表明所提出的算法在缩减任务传输时延和降低计算能耗方面优于传统优化算法。
暂无评论