摘要：为更好地解决传统模型特征捕捉能力不足,词向量语义表示不准确等问题,提出了结合macbert与多层次特征协同网络的音乐社交评论情感分析模型macbert-MFCN(macbert and Multi-level Feature Collaborative Network)。采用macbert模型提取评论文本特征向量,解决静态词向量无法表示多义词的问题;多层次特征协同网络结合双向内置注意力简单循环单元(Bidirectional Built in Attention Simple Recurrent Unit,BiBASRU)和多层次卷积神经网络(Multilevel Convolutional Neural Network,MCNN)模块,全面捕捉局部和上下文语义特征;软注意力用来衡量分类特征贡献的大小,赋予关键特征更高权重。基于网易云评论文本数据集进行实验,结果表明,macbertMFCN模型F1值高达95.56%,能有效地提升文本情感分类准确率。

摘要：针对传统深度学习模型特征提取能力不强,静态词向量语义表征能力弱等问题,提出了结合macbert和多尺度融合网络的档案数据分类模型。预训练模型macbert通过结合词的上下文语境,学习到动态词向量表示,解决一词多义问题;利用多尺度融合网络充分提取档案文本局部特征和上下文语义关联;根据软注意力机制计算每个特征对分类结果的影响权重,由分类层输出结果。在真实档案数据集进行实验,结果表明,结合macbert和多尺度融合网络的模型准确率达到90.5%,高于实验对比模型,具有一定的应用价值。

摘要：针对静态词向量语义表征能力弱、传统模块特征抽取不全面等问题,提出了结合macbert和多尺度融合网络的在线课程评论情感分析模型。macbert模型根据词的具体上下文进行动态编码,提升词的语义表征能力。多尺度融合网络用于捕捉评论文本多层次局部情感特征和全局上下文特征,软注意力机制用于计算每个特征的重要程度,由输出层得到情感分类结果。在真实在线课程评论文本数据集进行实验,结果表明,结合macbert和多尺度融合网络模型的F1分数达到了95.27%,高于实验对比模型,证明了模型的有效性。

摘要：【目的】针对命名实体边界识别困难问题,融入词信息以改进在线问诊记录中临床关键特征的识别与推断。【方法】基于macbert与条件随机场构建模型,对词位置和词性等词信息进行位置“软”嵌入,利用说话者角色嵌入引入对话文本信息。同时,引入加权多分类交叉熵解决实体类别不均衡问题。【结果】在春雨医生互联网在线问诊记录上开展实证研究,本文模型在命名实体识别任务上的F_(1)值为74.35%,相比直接利用macbert模型提高近2个百分点。【局限】未设计专门对中文分词的模型。【结论】与直接利用macbert模型建模相比,融入词信息等更多维度特征能有效提升模型的识别能力。

摘要：针对传统静态词向量存在语义表征弱以及循环序列模型训练效率低等问题,提出了基于macbert-BiSRU-AT的在线教师课程评论情感分析模型。通过预训练模型macbert获取评论文本符合上下文语义的动态向量表示,解决了静态词向量存在的一词多义问题,提升词向量语义表示质量。BiSRU模块用于提取评论文本高维情感特征,软注意力用于计算每个词对分类结果的影响程度大小,由分类层输出文本情感极性。在真实在线课程MOOC评论数据集进行实验,结果表明,macbert-BiSRU-AT模型分类F1值达到了91.33%,高于实验对比的其他模型,证明了模型的有效性。