本文基于文献分析法,研究揭示物理-事理-人理系统方法论(WSR方法论)的演化发展及其影响。以Web of Knowledge、知网和谷歌学术为数据源,检索1995—2018年的WSR方法论的研究文献,划分WSR方法论发展的主要阶段;基于复杂网络和动态主题模...本文基于文献分析法,研究揭示物理-事理-人理系统方法论(WSR方法论)的演化发展及其影响。以Web of Knowledge、知网和谷歌学术为数据源,检索1995—2018年的WSR方法论的研究文献,划分WSR方法论发展的主要阶段;基于复杂网络和动态主题模型等方法,分析WSR方法论文献信息,挖掘WSR方法论的主要学者和机构、研究内容的演化趋势;统计文献所属国家和领域等信息,分析WSR方法论对我国系统科学与工程发展的影响。研究结果显示:WSR方法论促进了我国系统科学与工程的发展,提升了其国际影响;WSR方法论经历了从理论研究到实践应用的发展过程;WSR方法论在系统评价、应急管理等领域得到了广泛应用,并呈现出多样化的研究趋势。展开更多
针对情感分析任务中,序列模型存在难以获取文本的相对位置信息,且处理较长序列时容易丢失关键信息等问题,提出了一种融合非负正弦位置编码(non-negative sinusoidal position encoding,NSPE)和混合注意力机制(hybrid attention mechanis...针对情感分析任务中,序列模型存在难以获取文本的相对位置信息,且处理较长序列时容易丢失关键信息等问题,提出了一种融合非负正弦位置编码(non-negative sinusoidal position encoding,NSPE)和混合注意力机制(hybrid attention mechanism,HAM)的双向长短期记忆网络(bi-directional long short-term memory,Bi-LSTM)情感分析模型(NSPEHA-BiLSTM)。提出NSPE方法,建立词语的NSPE,为词向量融入相对位置信息;通过Bi-LSTM提取文本特征,并基于HAM分别对特征的全局和局部特征进行赋权,确保关键信息的准确传递;通过全连接层实现文本情感分析。在IMDB数据集中,NSPEA-BiLSTM相较于Bi-LSTM和Text-CNN准确率分别提升了4.67和2.02个百分点,且输入的文本长度越长,模型效果越好,同时验证了NSPE优于其他位置编码。展开更多
识别服装质量抽检通告中的实体信息,对于评估不同区域的服装质量状况以及制定宏观政策具有重要意义。针对质量抽检通告命名实体识别存在的长文本序列信息丢失、小类样本特征学习不全等问题,以注意力机制为核心,提出了基于BERT(bidirecti...识别服装质量抽检通告中的实体信息,对于评估不同区域的服装质量状况以及制定宏观政策具有重要意义。针对质量抽检通告命名实体识别存在的长文本序列信息丢失、小类样本特征学习不全等问题,以注意力机制为核心,提出了基于BERT(bidirectional encoder representations from transformers)和TENER(transformer encoder for NER)模型的领域命名实体识别模型。BERT-TENER模型通过预训练模型BERT获得字符的动态字向量;将字向量输入TENER模块中,基于注意力机制使得同样的字符拥有不同的学习过程,基于改进的Transformer模型进一步捕捉字符与字符之间的距离和方向信息,增强模型对不同长度、小类别文本内容的理解,并采用条件随机场模型获得每个字符对应的实体标签。在领域数据集上,BERT-TENER模型针对服装抽检领域的实体识别F_1达到92.45%,相较传统方法有效提升了命名实体识别率,并且在长文本以及非均衡的实体类别中也表现出较好的性能。展开更多
文摘本文基于文献分析法,研究揭示物理-事理-人理系统方法论(WSR方法论)的演化发展及其影响。以Web of Knowledge、知网和谷歌学术为数据源,检索1995—2018年的WSR方法论的研究文献,划分WSR方法论发展的主要阶段;基于复杂网络和动态主题模型等方法,分析WSR方法论文献信息,挖掘WSR方法论的主要学者和机构、研究内容的演化趋势;统计文献所属国家和领域等信息,分析WSR方法论对我国系统科学与工程发展的影响。研究结果显示:WSR方法论促进了我国系统科学与工程的发展,提升了其国际影响;WSR方法论经历了从理论研究到实践应用的发展过程;WSR方法论在系统评价、应急管理等领域得到了广泛应用,并呈现出多样化的研究趋势。
文摘针对情感分析任务中,序列模型存在难以获取文本的相对位置信息,且处理较长序列时容易丢失关键信息等问题,提出了一种融合非负正弦位置编码(non-negative sinusoidal position encoding,NSPE)和混合注意力机制(hybrid attention mechanism,HAM)的双向长短期记忆网络(bi-directional long short-term memory,Bi-LSTM)情感分析模型(NSPEHA-BiLSTM)。提出NSPE方法,建立词语的NSPE,为词向量融入相对位置信息;通过Bi-LSTM提取文本特征,并基于HAM分别对特征的全局和局部特征进行赋权,确保关键信息的准确传递;通过全连接层实现文本情感分析。在IMDB数据集中,NSPEA-BiLSTM相较于Bi-LSTM和Text-CNN准确率分别提升了4.67和2.02个百分点,且输入的文本长度越长,模型效果越好,同时验证了NSPE优于其他位置编码。
文摘识别服装质量抽检通告中的实体信息,对于评估不同区域的服装质量状况以及制定宏观政策具有重要意义。针对质量抽检通告命名实体识别存在的长文本序列信息丢失、小类样本特征学习不全等问题,以注意力机制为核心,提出了基于BERT(bidirectional encoder representations from transformers)和TENER(transformer encoder for NER)模型的领域命名实体识别模型。BERT-TENER模型通过预训练模型BERT获得字符的动态字向量;将字向量输入TENER模块中,基于注意力机制使得同样的字符拥有不同的学习过程,基于改进的Transformer模型进一步捕捉字符与字符之间的距离和方向信息,增强模型对不同长度、小类别文本内容的理解,并采用条件随机场模型获得每个字符对应的实体标签。在领域数据集上,BERT-TENER模型针对服装抽检领域的实体识别F_1达到92.45%,相较传统方法有效提升了命名实体识别率,并且在长文本以及非均衡的实体类别中也表现出较好的性能。
