在利用常识知识图谱构造出文本自身语义之外的语境语义及基于知识图谱的预训练模型获取语境语义特征的基础上,针对文本语义特征、语境语义特征和标记实体语义特征,建立多重语义融合机制,实现关系分类模型MSF-RC(Relation Classification Model based on Multiple Semantic Fusion)。该模型在SemEval-2010 task 8和TARCED两个不同数据集上进行了测试,试验结果表明,语境信息的引入有助于加强标记实体对语义的理解,多重语义的层级融合可以进一步提升关系分类模型的性能。
针对现有多目标跟踪方法易受到遮挡、运动模糊等问题干扰的情况,提出基于轨迹掩膜的在线多目标跟踪方法(online multi-object tracking method based on trajectory mask,OMTMTM)。提出轨迹掩膜生成算法,利用前一帧跟踪轨迹结果生成轨...
详细信息
针对现有多目标跟踪方法易受到遮挡、运动模糊等问题干扰的情况,提出基于轨迹掩膜的在线多目标跟踪方法(online multi-object tracking method based on trajectory mask,OMTMTM)。提出轨迹掩膜生成算法,利用前一帧跟踪轨迹结果生成轨迹掩膜,设计轨迹掩膜网络对轨迹掩膜提取多维度特征,包含目标可见区域的估计值、大致位置及形状等信息;将该特征与基础骨干网络提取的原始图像特征融合后进行多目标检测跟踪。OMTMTM的目标跟踪器具备先验判断能力,可实现遮挡情况下的准确跟踪;OMTMTM利用目标跟踪轨迹的时空信息,恢复出部分漏检或低置信待检目标,使轨迹掩膜更加合理,有利于后续跟踪。对OMTMTM的性能进行多维度评估,并结合基线模型进行对比分析。试验结果表明,OMTMTM具有先进的多目标跟踪性能。
[目的/意义]舆情趋势预测是信息安全领域的重点研究方向,网络舆情事件的早发现、早干预是对网络环境得以安全稳定的一种保障。但网络环境错综复杂,具有高突发性,现有研究多以线性预测为基础,对舆情突发事件预测效果欠佳。[方法/过程]为提升预测准确度,文章通过引入SDZ(Suprisal-Driven Zoneout)方法改进长短期记忆网络(Long-short Term Memory,LSTM)用固定概率更新神经元的不足,提出了基于SDZ-LSTM的舆情事件网络趋势预测模型。模型分为三个层次,首尾两个层次用LSTM网络来实现对舆情的精确预测,中间层SDZ-LSTM结构利用SDZ在LSTM原有结构基础上增加一个参数Zt,来对LSTM记忆单元Ct进行概率化的更新,该结构使模型在预测精度提高的同时,缩短了模型训练时长。[结果/结论]实验证明,文章所提模型在预测准确度和时效性上均优于当前基于神经网络的预测模型,有更好的舆情预测效果。
暂无评论