题名 L2-SVM下的短文本情感分类动态CNN模型
被引量：3
1
作者
鲁新新 柴岩
机构
辽宁工程技术大学
出处
《计算机应用与软件》
北大核心
2018年第1期298-303,共6页
文摘
为了解决情感分类文本稀疏、传统方法过分依赖情感词典和人工设定特征工程等问题,提出一种基于L2-SVM和动态卷积神经网络的LDCNN模型。该模型采用不同于经典CNN模型的L2-SVM目标函数,解决了参数优化过程梯度弥散现象。通过真实网络评论数据集与经典方法的定量对比,实现了LDCNN模型准确率的大幅提升,并通过调整惩罚系数获得了最佳模型性能。
关键词
短文本 情感分类 文本稀疏 l2-svm 动态卷积神经网络
Keywords
Short-text Sentiment cl assification Text sparse Squared hinge l oss SVM Dynamic convol ution neural network
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
题名 一种新的面向迁移学习的L_2核分类器
被引量：1
2
作者
许敏 王士同 史荧中
机构
江南大学数字媒体学院 无锡职业技术学院物联网技术学院
出处
《电子与信息学报》
EI
CSCD
北大核心
2013年第9期2059-2065,共7页
基金
国家自然科学基金(61272210 61170122) 江苏省研究生创新工程项目(CXZZ12-0759)资助课题
文摘
基于密度差(Difference Of Density,DOD)思想,L2核分类器算法具有良好的分类性能及稀疏性,然而其训练域与测试域独立同分布的假设限制了其应用范围。针对此不足,该文提出一种新的面向迁移学习的L2核分类器(Transfer Learning-L2 Kernel Classification,TL-L2KC),该方法既保持了L2核分类器算法良好的分类性能,又能处理数据集缓慢变化及训练集在特定约束条件下获得导致训练集和未来测试集分布不一致的问题。基于人造数据集和UCI真实数据集的实验表明,该文提出的TL-L2KC算法较之于经典的迁移学习分类方法,具有相当的、甚至更好的性能。
关键词
支持向量机 迁移学习 密度差 l 2 核分类器
Keywords
Support Vector Machine （SVM） Transfer l earning Difference Of Density （DOD） l 2 Kernel Cl assification （l 2 KC）
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
题名 一种处理结构化输入输出的中文句法分析方法
被引量：4
3
作者
赵国荣 王文剑
机构
山西大学计算机与信息技术学院
出处
《中文信息学报》
CSCD
北大核心
2015年第1期139-145,共7页
基金
国家自然科学基金(60975035 61273291) 山西省回国留学人员科研资助项目(2012-008)
文摘
中文句法结构复杂,特征维数较高,目前已知最好的汉语句法分析效果与其他西方语言相比还有一定的差距。为进一步提高中文句法分析的效率和精度,该文提出一种采用二阶范数软间隔优化的结构化支持向量机(Structural Support Vector Machines,Structural SVMs)方法对基于短语结构的中文句法进行分析,通过构造结构化特征函数ψ(x,y),体现句法树的输入信息,并根据中文句子本身具有的强相关性,在所构造的ψ(x,y)中增加中文句法分析树中父节点的信息,使ψ(x,y)包含了更加丰富的结构信息。在宾州中文树库PCTB上的实验结果表明,该文方法与经典结构化支持向量机方法以及Berkeley Parser相比可取得较好的效果。
关键词
中文句法分析 加权上下文无关文法 结构化SVM 二阶范数软间隔优化
Keywords
Chinese parsing weighted context-free grammars Structural SVMs l 2 -norm soft margin optimization
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于神经网络的大数据分析方法
被引量：5
4
作者
殷芙萍 江秋语
机构
上海理工大学管理学院 四川大学计算机学院
出处
《软件导刊》
2020年第9期39-42,共4页
文摘
基于不同视角和情境特征的大数据定义诠释了大数据的5V特性,在扩展大数据价值空间与应用模式的同时催生了以"数据驱动+模型驱动"范式转变为代表的核心问题。为解决大数据分析核心问题,引入神经网络,采用性能优越的卷积神经网络设计对比实验,运用两个公开数据集对其进行训练,并在输出层分别使用L2-SVM和Softmax激活函数。在手写数字识别和彩色图像识别中,L2-SVM的识别错误率分别为0.87%和11.9%。实验结果表明,基于L2-SVM的神经网络大数据分析方法可以获得更高的识别精度。
关键词
大数据分析 神经网络 l2-svm Softmax
Keywords
big data anal ysis neural network l2-svm Softmax
分类号
TP301
[自动化与计算机技术—计算机系统结构]
题名 基于深度学习耦合稀疏语义度量的商标检索算法
5
作者
梁平 柴建伟 裴圣华
机构
廊坊燕京职业技术学院 吉安职业技术学院
出处
《包装工程》
CAS
北大核心
2019年第3期237-245,共9页
基金
河北省高等学校科学技术研究项目(Z2015085) 江西省教育厅自然科学研究项目(GJJ171375)
文摘
目的针对当前商标图像检索中的语义鸿沟问题,提出一种深度学习耦合稀疏语义度量的商标图像检索方案,有效抑制噪声干扰,降低冗余特征维数。方法首先,根据由卷积与池化组成的无监督学习机制,对输入商标图像进行多层特征提取,输出一维特征向量。随后,通过L2-支持向量机(L2-SVM)进行分类,利用特征向量进行训练,获得多级联特征。然后,根据商标图像的多级联特征和用户标签信息的异构数据结构,设计一种稀疏语义度量方法进行相似检索,减少语义鸿沟。此外,引入一种混合范数作为相似度量的稀疏约束,以抑制原始输入空间中的冗余特征维数和噪声,优化检索结果。结果实验表明,与当前流行的商标检索方案相比,所提算法具有更高的检索精度,其输出的结果中仅有1幅无关图像。结论该方案具有较高的检索精度和较强的鲁棒性,在商标检测、商标保护等方面中具有良好的应用价值。
关键词
商标检索 语义鸿沟 深度学习 稀疏语义度量 l 2 支持向量机混合范数
Keywords
trademark retrieval semantic gap deep l earning sparse semantic measure l2-svm mixed norm
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
