检索结果-南通市图书馆

检索条件"主题词=字符级卷积神经网络"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于字符级卷积神经网络的专利文本语义检索

基于字符级卷积神经网络的专利文本语义检索

引用

作者：吴素雪广东工业大学

学位级别：硕士

随着经济全球化的推进,科学技术在国家和企业的发展中越发举足轻重,而专利,作为科学技术的载体,其质量和数量已经成为衡量国家创新创造能力的重要标尺。专利是知识产权的重要组成部分,专利技术已经成为国家或企业间竞争的核心因素。如... 详细信息

随着经济全球化的推进,科学技术在国家和企业的发展中越发举足轻重,而专利,作为科学技术的载体,其质量和数量已经成为衡量国家创新创造能力的重要标尺。专利是知识产权的重要组成部分,专利技术已经成为国家或企业间竞争的核心因素。如今专利申请数量与日俱增,面对海量专利信息,如何通过提取其中包含的科技信息,从而为国家和企业发展提供战略支持,是国内外研究的重点。为了能更高效找到目标专利信息,根据专利的技术内容差别而相应分配了不同的国际专利分类号(IPC)。但是现在的专利分类主要停留在机器进行专利分类,人工识别专利语义,一方面分类效率较低、分类结果没有一个统一的对照标准,另一方面人工语义识别耗费时间长、成本高。因此,研究专利文本语义自动检索具有重要的社会现实意义。本文的实验数据集选取自本课题组积累了多年的专利文本信息、广东省专利局和网上公开的专利数据,通过Jieba工具对专利文本数据进行分词,利用字符级卷积神经网络对专利文本数据进行卷积处理,提取数据的特征并分类,确定该待测文本所属的专利类别,再利用Word2vec对专利文本数据处理得到词向量集,进而得到类别句向量集,待测文本通过词向量集得到该待测文本句向量,将该待测文本句向量与该待测文本所属类别的句向量集进行相似度计算匹配,得到最相似的专利文本。主要工作如下:1、本文分析了专利文本语义检索算法的研究意义、国内外研究现状以及当前传统的专利文本语义检索算法存在的不足;2、研究了常用的几种文本语义分析算法,包括传统的基于统计的IF-IDF算法、潜在语义索引算法,以及基于卷积神经网络的基本算法。3、验证了基于字符级卷积神经网络模型对专利文本语义检索的有效性,分析了其中各项参数的选取方法,提出了将字符级卷积神经网络模型和word2vec结合,对专利文本语义进行检索。4、设计并实现了基于字符级卷积神经网络的专利文本语义检索。实验结果表明,本文提出的算法与现有的专利文本语义检索算法相比,能有效地提高检索准确度。

关键词：字符级卷积神经网络 word2vec 特征提取语义检索

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征嵌入表示的文本分类方法研究

基于特征嵌入表示的文本分类方法研究

引用

作者：王天时山东师范大学

学位级别：硕士

计算机技术的发展加速了信息化时代的进程,同时也造成数据的指数型增长和数据处理工作量的增加。为了更高效地处理文本数据,自然语言处理及其相关研究被广泛关注。文本分类作为自然语言处理的子任务,在多个领域有着非常广泛的应用,如新... 详细信息

计算机技术的发展加速了信息化时代的进程,同时也造成数据的指数型增长和数据处理工作量的增加。为了更高效地处理文本数据,自然语言处理及其相关研究被广泛关注。文本分类作为自然语言处理的子任务,在多个领域有着非常广泛的应用,如新闻分类、数字图书馆、情绪分析以及垃圾邮件过滤等。从目前的相关研究来看,在保证分类器能够充分训练的前提下,基于深度神经网络的文本分类方法已明显优于基于传统机器学习的文本分类方法。因此,深度神经网络的结构和应用将会是文本分类性能提升的重要途径和文本分类领域的主要研究方向。文本分类的效果不仅取决于分类器的设置,如何构造文本特征也尤为重要。对于离散的文本数据,构造特定的、可解释的语言模型来获取文本的嵌入表示,通过改进特征嵌入表示方法可以提高文本量化的质量,是间接提高分类器性能的有效方法。在文本分类领域中,现有的文本分类方法均通过结合文本量化方法和文本分类器取得了优异的性能,所以改进特征嵌入表示方法并将其与深度神经网络相结合是提高文本分类性能的有效方式。本文通过对文本分类应用和过程的分析,具体阐述了研究基于特征嵌入表示的文本分类方法的意义,具体研究内容如下:（1）提出一种结合动态语义表示模型和深度神经网络（DSRM-DNN）的多标签文本分类方法。利用词嵌入模型和聚类算法来选择语义词,将被选择的语义词作为DSRM-DNN的基本元素,通过词属性的加权组合进行量化。将深度信念网络与反向传播神经网络相结合构造文本分类器,使低频词和新词在稀疏约束下用现有的语义词重新表达。在RCV1-v2、Reuters21578、EUR-Lex和Bookmarks等数据集的实验结果表明DSRM-DNN方法优于比较方法。（2）提出一个结合字符级卷积神经网络和生成对抗网络的文本分类框架（CCNNGAN）。利用字符级卷积神经网络对文本进行量化,将文本特征分别输入到对抗网络和分类器中。在数据扩充模块中,利用处理后的真实数据对生成器和判别器进行训练,使生成分布与真实数据分布不断吻合。分类器通过真实数据和生成数据进行协同增量训练,这样既解决了小样本的问题,又减少了文本生成的计算消耗。通过在四个公开数据集上的大量实验证明CCNN-GAN方法明显优于比较方法。

关键词：文本分类深度信念网络稀疏表示字符级卷积神经网络深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：