摘要：近年来,作为细粒度的属性级别情感分析在商业界和学术界受到越来越多的关注,其目的在于识别一个句子中多个属性词所对应的情感极性。目前,在解决属性级别情感分析问题的绝大多数工作都集中在注意力机制的设计上,以此突出上下文和属性词中不同词对于属性级别情感分析的贡献,同时使上下文和属性词之间相互关联。该文提出使用层次注意力机制和门机制处理属性级别情感分析任务,在得到属性词的隐藏状态之后,通过注意力机制得到属性词新的表示,然后利用属性词新的表示和注意力机制进一步得到上下文新的表示,层次注意力机制的设计使得上下文和属性词的表达更加准确;同时通过门机制选择对属性词而言上下文中有用的信息,以此丰富上下文的表达,在SemEval 2014 Task 4和Twitter数据集上的实验结果表明了该文提出模型的有效性。

摘要：目的注意力机制是图像描述模型的常用方法,特点是自动关注图像的不同区域以动态生成描述图像的文本序列,但普遍存在不聚焦问题,即生成描述单词时,有时关注物体不重要区域,有时关注物体上下文,有时忽略图像重要目标,导致描述文本不够准确。针对上述问题,提出一种结合多层级解码器和动态融合机制的图像描述模型,以提高图像描述的准确性。方法对Transformer的结构进行扩展,整体模型由图像特征编码、多层级文本解码和自适应融合等3个模块构成。通过设计多层级文本解码结构,不断精化预测的文本信息,为注意力机制的聚焦提供可靠反馈,从而不断修正注意力机制以生成更加准确的图像描述。同时,设计文本融合模块,自适应地融合由粗到精的图像描述,使低层级解码器的输出直接参与文本预测,不仅可以缓解训练过程产生的梯度消失现象,同时保证输出的文本描述细节信息丰富且语法多样。结果在MS COCO(Microsoft common objects in context)和Flickr30K两个数据集上使用不同评估方法对模型进行验证,并与具有代表性的12种方法进行对比实验。结果表明,本文模型性能优于其他对比方法。其中,在MS COCO数据集中,相比于对比方法中性能最好的模型,BLEU-1(bilingual evaluation understudy)值提高了0.5,CIDEr(consensus-based image description evaluation)指标提高了1.0;在Flickr30K数据集中,相比于对比方法中性能最好的模型,BLEU-1值提高了0.1,CIDEr指标提高了0.6;同时,消融实验分别验证了级联结构和自适应模型的有效性。定性分析也表明本文方法能够生成更加准确的图像描述。结论本文方法在多种数据集的多项评价指标上取得最优性能,能够有效提高文本序列生成的准确性,最终形成对图像内容的准确描述。

摘要：小核糖核酸(miRNA)在基因表达和转录等过程中具有重要作用,与疾病的产生有着密切关联。对于疾病miRNA关联识别,生物鉴定方法代价高、耗时长和效率低。为快速自适应提取疾病和miRNA构成的异质网络信息,该文基于通道型注意力设计变分门图自编码器和门多层感知器,构建一种深度变分门神经网络模型(VGAEN)并用于疾病miRNA关联预测任务。该模型整合miRNA及疾病的多种相似度信息得到miRNA和疾病的整合相似性特征,然后基于多数据融合的整合相似性网络和疾病miRNA邻接信息,利用变分门图自编码器提取miRNA和疾病网络的拓扑信息和语义信息;其次基于疾病miRNA关联矩阵,利用非负矩阵分解提取miRNA和疾病的低维线性去噪特征;最后,利用门多层感知器融合miRNA和疾病特征,预测其关联关系。实验结果表明VGAE-N模型能更有效地预测疾病miRNA关联,可为生物实验提供可靠的技术支撑。

摘要：为了构建智能制造知识问答系统,促进智能制造知识传递,加快智能制造产业布局,利用深度学习算法对传统问答系统构建流程过于复杂、所需手工与先验知识要求过高、问题与答案无法有效映射等问题进行改进。采用长短记忆神经网络算法来避免一般深度学习算法在进行梯度优化时的梯度消失与梯度爆炸问题,算法中的门机制能够消除链式法则对梯度过度优化的影响,直接对句子的语义做出解析,并利用相似度计算判别回答的正确与否。通过在评测集上的验证实验表明,该语义解析方法能够显著提升问答系统的准确率。

摘要：为解决图注意力网络对边信息的忽视和固定卷积层数的方法不能自适应获取情感词信息的问题,提出一种基于图卷积和注意力的方面级情感分类模型。加入句法依存边信息提高对不同句法连接词的区分度;一个迭代注意力机制被设计用于建立方面词和句中所有词的关联关系,自适应选择全局词信息。模型在Twitter、Rest14和Rest16数据集上获得更好的性能。实验结果验证了该方法的有效性。

摘要：流感病毒血凝素蛋白的快速演变导致新的病毒株不断产生,新的病毒株可能引起季节性流感甚至全球流感大爆发。及时检测出抗原变异体对疫苗的筛选和设计至关重要。鲁棒的抗原性预测模型是应对疫苗挑战的有效方法。各种端到端的特征学习工具为蛋白组学提供了良好的特征表示方法,但是现有的甲型流感预测模型还不能有效地提取并利用血凝素蛋白氨基酸序列中的特征。基于transformer设计一个门控双塔模型,通过输入甲型流感病毒血凝素蛋白的氨基酸序列,利用两个并行的编码器分别从血凝素蛋白氨基酸序列的时间维和空间维上捕捉抗原特征,并学习特征与预测结果间的非线性关系。为了减少数据中的噪声,融合时间维与空间维上的特征时,通过门机制自适应地获取衡量它们相对重要性的权重进行选择性融合,最后使用融合特征预测H1N1流感抗原变异株。在H1N1数据集上的实验结果表明,该模型利用优秀的非线性特征学习能力提高了抗原变异的预测性能,同时具有良好的鲁棒性。

摘要：介绍了一种基于门的进程通讯方式的工作原理,并通过一个试验程序模拟了利用门机制实现进程通讯的过程。门提供了一种调用同一台主机上的另一个进程的能力,同时具有其他IPC所不具备的一个精妙特性,即服务器具有确定客户凭证的能力,服务器可以使用这些信息来确定自己是否想给相应客户的请求提供服务。