方面情感三元组抽取(aspect sentiment triplet extraction,ASTE)是方面级情感分析(aspect based sentiment analysis,ABSA)中具有挑战性的子任务之一,旨在从文本中抽取方面术语、观点术语和情感极性三元组.近期基于生成式的抽取方法取...
详细信息
方面情感三元组抽取(aspect sentiment triplet extraction,ASTE)是方面级情感分析(aspect based sentiment analysis,ABSA)中具有挑战性的子任务之一,旨在从文本中抽取方面术语、观点术语和情感极性三元组.近期基于生成式的抽取方法取得了出色的表现,这些方法通过顺序串联目标三元组来实现自回归式三元组生成.然而,这种串联方法可能导致无序三元组之间存在顺序依赖,从而在解码过程中引入错误累积.为解决这个问题,提出了基于术语提示双路文本生成(term-prompted and dual-path text generation,TePDuP)的方法.该方法首先利用机器阅读理解(machine reading comprehension,MRC)实现方面术语和观点术语的并行化抽取,然后将它们作为提示前缀来引导条件式三元组的生成,形成双路文本生成框架.同时,在训练阶段引入计划采样的方法来修正MRC抽取错误所带来的偏差.为进一步提高性能,引入生成概率将方面术语和观点术语引导的结果合并,以增强模型的鲁棒性.基于ASTE-DATA-V2数据集的实验结果表明,提出的方法是有效的且明显优于其他基线模型,并给出具体案例分析,证明该方法一定程度上解决了前述问题.
事件抽取旨在从大量无结构的文本中抽取出结构化的事件信息,然而现有的研究工作存在难以抽取重叠角色,子任务间缺乏交互以及语义特征表达能力不足的问题。针对上述问题提出了一种中文事件抽取模型PACJEE(pre-trained language model and...
详细信息
事件抽取旨在从大量无结构的文本中抽取出结构化的事件信息,然而现有的研究工作存在难以抽取重叠角色,子任务间缺乏交互以及语义特征表达能力不足的问题。针对上述问题提出了一种中文事件抽取模型PACJEE(pre-trained language model and attention mechanism based Chinese joint event extraction)。该模型采用预训练语言模型RoBERTa来提取文本特征,对文本进行事件类型分类,在触发词识别阶段,将提取到的事件类型先验特征与文本特征进行融合,并且使用自注意力机制获取内部特征相关性,在论元角色分类阶段引入卷积神经网络与注意力机制来加强触发词特征的表达能力,通过多层指针标注进行重叠角色的识别。该方法在中文数据集ACE2005和DuEE上进行了实验分析,结果显示,相较于基准方法,在触发词分类上的F1值分别提升1.6和0.5个百分点,在论元角色分类上的F1值分别提升3.3和2.5个百分点,说明该模型能显著提升事件抽取效果,并且在一定程度上提升了对角色重叠事件的识别准确率。
利用Lyapunov稳定性分析方法研究一类具有传输时滞的采样负荷频率控制(load frequency control,LFC)系统的稳定性问题。首先,使用PI控制策略,建立时滞相关变量和时滞无关变量分离的采样LFC系统闭环模型。其次,基于闭环函数方法,构造一...
详细信息
利用Lyapunov稳定性分析方法研究一类具有传输时滞的采样负荷频率控制(load frequency control,LFC)系统的稳定性问题。首先,使用PI控制策略,建立时滞相关变量和时滞无关变量分离的采样LFC系统闭环模型。其次,基于闭环函数方法,构造一个新的包含更多系统时滞和采样信息的增广闭环型Lyapunov泛函。再次,使用积分不等式估计Lyapunov泛函导数中的二次型积分项,获得一个低保性的时滞和采样周期相关稳定性新判据。最后,基于稳定判据讨论PI控制器参数与传输时滞或采样周期最大允许上界的关系,揭示传输时滞对采样周期最大允许上界以及对系统性能的影响,计算与仿真结果验证了所提方法的有效性和优越性。
针对现有深度伪造人脸检测方法在模型复杂性、样本量需求和应对新型深度伪造技术上的局限,提出基于视觉-语言模型的小样本深度伪造人脸检测方法(Few-Shot Deepfake Face Detection Method Based on Visual-Language Model,FDFD-VLM).基...
详细信息
针对现有深度伪造人脸检测方法在模型复杂性、样本量需求和应对新型深度伪造技术上的局限,提出基于视觉-语言模型的小样本深度伪造人脸检测方法(Few-Shot Deepfake Face Detection Method Based on Visual-Language Model,FDFD-VLM).基于CLIP(Contrastive Language-Image Pre-training),通过人脸区域提取与高频特征增强模块优化视觉特征,采用无类名-差异化Prompt优化模块提升Prompt适应性,利用CLIP编码结果优化模块强化多模态特征表示,通过三元组损失函数增强模型区分能力.实验表明,FDFD-VLM在多个深度伪造人脸数据集上的准确率较高,能在较少的训练样本下实现高效的深度伪造人脸检测.
暂无评论