为解决现有课程评价模型在跨句语境敏感性不足、文本语义重要性挖掘不充分等问题,提出一种基于多粒度语义分析的课程评价模型,以更准确地表征学生文本中的真实意图并支持后续的情感分类与知识提取任务。该模型结合预训练模型和深度神经...为解决现有课程评价模型在跨句语境敏感性不足、文本语义重要性挖掘不充分等问题,提出一种基于多粒度语义分析的课程评价模型,以更准确地表征学生文本中的真实意图并支持后续的情感分类与知识提取任务。该模型结合预训练模型和深度神经网络,提取词、句和词性粒度文本特征向量对语义分析和处理,并以课程评价文本为例进行实验和分析。模型采用精确和模糊匹配评估方式,同时引入Dropout和ReLU(Rectified Linear Unit)激活函数以提高模型的泛化能力。通过不同的文本预处理策略,结合停用词去除和重要词汇筛选,提升模型的分类性能。实验结果表明,该模型在课程评价情感分析任务中表现优异,尤其在处理模糊情感边界时,准确率达到92.53%。该语义分析模型有助于全面捕捉学生对课程的细致反馈,为教育领域提供了有效的自动化评价工具,优化教学质量。展开更多
基于混合语言模型的语音识别系统虽然具有可以识别集外词的优点,但是集外词识别准确率远低于集内词。为了进一步提升混合语音识别系统的识别性能,本文提出了一种基于互补声学模型的多系统融合方法。首先,通过采用不同的声学建模单元,构...基于混合语言模型的语音识别系统虽然具有可以识别集外词的优点,但是集外词识别准确率远低于集内词。为了进一步提升混合语音识别系统的识别性能,本文提出了一种基于互补声学模型的多系统融合方法。首先,通过采用不同的声学建模单元,构建了两套基于隐马尔科夫模型和深层神经网络(Hidden Markov model and deep neural network,HMM-DNN)的混合语音识别系统;然后,针对这两种识别任务之间的关联性,采用多任务学习(Multi-task learning DNN,MTL-DNN)思想,实现DNN网络输入层和隐含层的共享,并通过联合训练提高建模精度。最后,采用ROVER(Recognizer output voting error reduction)方法对两套系统的输出结果进行融合。实验结果表明,相比于单任务学习DNN(Single-task learning DNN,STL-DNN)建模方式,MTL-DNN可以获得更好的识别性能;将两个系统的输出进行融合,能够进一步降低词错误率。展开更多
文摘为解决现有课程评价模型在跨句语境敏感性不足、文本语义重要性挖掘不充分等问题,提出一种基于多粒度语义分析的课程评价模型,以更准确地表征学生文本中的真实意图并支持后续的情感分类与知识提取任务。该模型结合预训练模型和深度神经网络,提取词、句和词性粒度文本特征向量对语义分析和处理,并以课程评价文本为例进行实验和分析。模型采用精确和模糊匹配评估方式,同时引入Dropout和ReLU(Rectified Linear Unit)激活函数以提高模型的泛化能力。通过不同的文本预处理策略,结合停用词去除和重要词汇筛选,提升模型的分类性能。实验结果表明,该模型在课程评价情感分析任务中表现优异,尤其在处理模糊情感边界时,准确率达到92.53%。该语义分析模型有助于全面捕捉学生对课程的细致反馈,为教育领域提供了有效的自动化评价工具,优化教学质量。
文摘基于混合语言模型的语音识别系统虽然具有可以识别集外词的优点,但是集外词识别准确率远低于集内词。为了进一步提升混合语音识别系统的识别性能,本文提出了一种基于互补声学模型的多系统融合方法。首先,通过采用不同的声学建模单元,构建了两套基于隐马尔科夫模型和深层神经网络(Hidden Markov model and deep neural network,HMM-DNN)的混合语音识别系统;然后,针对这两种识别任务之间的关联性,采用多任务学习(Multi-task learning DNN,MTL-DNN)思想,实现DNN网络输入层和隐含层的共享,并通过联合训练提高建模精度。最后,采用ROVER(Recognizer output voting error reduction)方法对两套系统的输出结果进行融合。实验结果表明,相比于单任务学习DNN(Single-task learning DNN,STL-DNN)建模方式,MTL-DNN可以获得更好的识别性能;将两个系统的输出进行融合,能够进一步降低词错误率。
