检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于自属性强关联交叉融合的电影票房预测

计算机技术与发展 2024年

作者：朱衍熹张明西冒鸿宇上海理工大学出版学院

电影属性多元且复杂，特征与票房关系的提取难度大。针对该问题，提出一种基于自属性强关联交叉融合的电影票房预测模型。扩展元数据中的离散型属性构建实值-离散表征；利用BERT提取文本属性词级表征和bilstm-attention提取文本属性句... 详细信息

电影属性多元且复杂，特征与票房关系的提取难度大。针对该问题，提出一种基于自属性强关联交叉融合的电影票房预测模型。扩展元数据中的离散型属性构建实值-离散表征；利用BERT提取文本属性词级表征和bilstm-attention提取文本属性句级表征，融合构建文本强嵌入表征；提出一种均值多头相似度机制计算特征之间的关联相似度，在自属性与时序属性两个层面构建属性强关联表征，且当Heads取值为16时预测效果最佳；基于自属性强关联交叉融合表征矩阵利用改进的AlexNet网络构建票房预测模型。在大型IMDB电影数据集上的实验结果表明，提出的模型优于其他方法，MAE:0.7047，相比基线模型降低11%,MSE:0.7421，降低23%，平均SmoothL1Loss:0.3374，降低19%,RMSE:0.8614，降低12%。消融实验证明属性强关联表征和BERT模块对模型影响最大。所提方法体现出卓越的票房预测能力，为影视从业人员提供参考与建议。

关键词：实值-离散表征文本强嵌入表征属性强关联表征均值多头相似度 BERT bilstm-attention 票房

基于bilstm-attention混合神经网络的心律失常预测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

中国医疗设备 2023年第11期38卷 67-72页

作者：杜丛强崔昊山东中医药大学附属医院信息中心山东济南250011 山东中医药大学附属医院招标办公室山东济南250011

目的探讨bilstm-attention混合神经网络模型在心律失常预测中的应用价值。方法选取中国心血管疾病数据库27036条心电图(Electrocardiogram,ECG)数据,按照8∶1∶1的比例划分为训练集、验证集和测试集,采用中值滤波法与小波变换阈值法对原... 详细信息

目的探讨bilstm-attention混合神经网络模型在心律失常预测中的应用价值。方法选取中国心血管疾病数据库27036条心电图(Electrocardiogram,ECG)数据,按照8∶1∶1的比例划分为训练集、验证集和测试集,采用中值滤波法与小波变换阈值法对原始ECG数据进行降噪预处理,采用bilstm对数据进行特征学习,融合注意力机制分配注意力权重,构建bilstm-attention模型进行心律失常分类预测。将bilstm-attention模型与长短期记忆网络(Long Short-Term Memory,LSTM)、LSTM-attention和bilstm模型进行对比,采用F1分数和曲线下面积(Area Under Curve,AUC)对模型进行评价。结果bilstm-attention模型总体的F1分数为0.799,心房颤动、一度房室传导阻滞、窦性心律失常、窦性心律均获得了较高的F1分数,分别为0.955、0.862、0.954和0.917,9类心律失常的AUC均大于0.87。结论bilstm-attention心律失常分类模型具备较强的分类能力,对部分心律失常有较强的识别能力,经训练后能更好地辅助临床进行心律失常诊断,具备一定的实用价值。

关键词：心律失常 bilstm-attention 注意力机制混合神经网络

在线全文

学校读者我要写书评

暂无评论

基于门控注意力的双通道情感分析及应用

计算机工程与应用 2023年第10期59卷 134-141页

作者：魏龙胡建鹏张庚上海工程技术大学电子电气工程学院上海201620

针对传统的基于深度学习的文本情感分类模型特征抽取不全面以及不能区分一词多义的问题,提出一种基于门控注意力的双通道情感分类模型BGA-DNet。该模型使用BERT预训练模型对文本数据进行处理,然后经过双通道网络提取文本特征,其中通道... 详细信息

针对传统的基于深度学习的文本情感分类模型特征抽取不全面以及不能区分一词多义的问题,提出一种基于门控注意力的双通道情感分类模型BGA-DNet。该模型使用BERT预训练模型对文本数据进行处理,然后经过双通道网络提取文本特征,其中通道一利用TextCNN提取局部特征,通道二利用bilstm-attention提取全局特征。同时引入门控注意力单元将部分无用的注意力信息过滤掉,并结合残差网络思想,确保双通道的输出在网络学习到饱和状态下保留原始编码信息。BGA-DNet在公开的酒店评论和餐饮评论两个数据集上进行实验评估,并与最新的情感分类方法进行对比,分别取得了准确率94.09%和91.82%的最佳效果。最后将BGA-DNet模型应用到真实的学生实验心得体会评价任务上,与其他方法相比准确率和F1值也是最高的。

关键词：门控注意力双通道情感分类 BERT bilstm-attention

在线全文

学校读者我要写书评

暂无评论

双通道的BCBLA情感分类模型

小型微型计算机系统 2023年第5期44卷 954-960页

作者：万俊杰任丽佳单鸿涛孟金旭贾仁祥上海工程技术大学电子电气工程学院上海201620

针对传统情感分类模型的词向量表示无法解决多义词表征的问题,以及目前基于BERT的多通道情感分类模型研究较少的问题,提出了一种基于BERT的双通道情感分类模型BCBLA.该模型有BERT+CNN和BERT+bilstm-attention两个通道,首先用预训练模型B... 详细信息

针对传统情感分类模型的词向量表示无法解决多义词表征的问题,以及目前基于BERT的多通道情感分类模型研究较少的问题,提出了一种基于BERT的双通道情感分类模型BCBLA.该模型有BERT+CNN和BERT+bilstm-attention两个通道,首先用预训练模型BERT获取融合文本语境的词向量表征;然后利用通道1的CNN网络增强对文本局部特征提取的能力和通道2的bilstm-attention模型增强对长序列文本处理以及关键情感分类特征提取的能力;最后使用Softmax激励函数对通道1和通道2的融合特征进行分类.为了验证本文提出的模型的有效性,本文在中文谭松波酒店评论和英文Yelp Dataset Challenge两种数据集进行实验,设置了与当前流行的情感分类模型对比、减少通道后的模型对比和更换预训练模型后的对比等3种实验对比方式,最终实验结果表明,本文BCBLA模型在中文和英文两种数据集上测试结果中值分别取得了92.86%和95.55%的最佳效果.

关键词：情感分类 BERT 双通道 CNN bilstm-attention

在线全文

学校读者我要写书评

暂无评论

良性阵发性位置性眩晕症智能诊断模型研究

良性阵发性位置性眩晕症智能诊断模型研究

作者：邢璐兰州大学

学位级别：硕士

良性阵发性位置性眩晕症（Benign Paroxysmal Positional Vertigo,BPPV）是最常见的前庭眩晕疾病之一,有着发病率高、诊断困难等特点。目前对于BPPV诊断的研究主要集中于临床,依靠医生的经验综合分析受试者的眼球运动和体位信息进行诊... 详细信息

良性阵发性位置性眩晕症（Benign Paroxysmal Positional Vertigo,BPPV）是最常见的前庭眩晕疾病之一,有着发病率高、诊断困难等特点。目前对于BPPV诊断的研究主要集中于临床,依靠医生的经验综合分析受试者的眼球运动和体位信息进行诊断。为了提高临床诊断效率,降低误诊率,探索机器学习与BPPV诊断相结合的智能化诊疗系统具有重要临床意义。论文主要工作内容如下:1、BPPV数据采集、预处理及特征工程。BPPV相关领域缺乏公开数据集,在上海某眩晕设备公司的支持下经过长时间采集,并与专业医生合作对病例进行标记和筛选。在数据预处理过程中,提出基于极点绝对差阈值的方法,处理曲线跳变部分,将SG滤波引入曲线平滑工作当中,最终基于特征选择算法包Tsfresh构造了包含三类共302例患者的小规模BPPV数据集。2、针对BPPV诊断困难问题,分别提出了基于传统机器学习算法的MultiAda Cost分类模型,以及基于深度学习的算法模型,并给出对比分析。首先,论文针对医疗问题的代价敏感性,将Ada Cost算法引入BPPV分类诊断问题当中并进行优化,并通过多组对比实验验证,最终证明本文提出的模型在测试集上性能优于传统机器学习模型,Precision、Recall、F1-Score、Accuracy分别达到了98.58%、98.07%、98.28%,98.36%。其次,构建了基于TCN的BPPV分类模型,测试集上的Accuracy达到了81.28%;并且针对处理BPPV数据不等长的问题,对Bi LSTM-attention模型进行改进,提出了Masking-Bi LSTM-attention模型,使得模型在本文数据集上收敛,最终实验结果表明改进的Bi LSTM-attention模型在测试集上的Accuracy达到了86.89%。3、比较传统机器学习分类器和深度学习模型的诊断分类效果,分析了两种方法的优势和劣势,得到了在本文采集的数据集上相对较优的模型MultiAda Cost,为医生临床诊断提供了一定的参考价值,并为将来逐步实现BPPV的智能诊断探索了可行的方法。

关键词： BPPV 机器学习深度学习 Multi-AdaCost bilstm-attention