- 出版地点
- 出版日期
- 21/06/2019
- 研究领域
全文链接尽管人们对神经网络应用于信息检索，神经排序模型仅适用于标准网页和新闻专线文档的即席检索任务。这篇论文提出MP-HCNN（多视角层次卷积神经网络）一种专门为短期社会排名设计的新型神经网络排名模型媒体帖子。我们确定文档长度、非正式语言和异构相关性信号作为区分我们领域中文档的特征，以及提出一个考虑到这些特点的特别设计模型。我们的该模型使用层次卷积层学习潜在语义软匹配相关性在字符、单词和短语级别发出信号。A类基于池的相似性度量层集成来自多个查询、社交媒体帖子以及URL之间的匹配类型包含在帖子中。使用来自TREC的推特数据进行广泛实验2011-2014年微博跟踪显示，我们的模型显著优于之前的模型基于特征的以及现有的神经排序模型。向我们致敬知识，本文介绍了解决搜索的第一项实质性工作使用神经网络排名模型的社交媒体帖子。评论：AAAI 2019，10页
- 出版地点
- 出版日期
- 01/01/2018
- 研究领域
获取PDF文摘：几十年来，政治学和传播学研究一直在研究气候变化等社会、政治和环境问题框架的潜意识影响。媒体框架提供了一个“解释包”“对于普通公民来说，如何理解气候变化及其对生计的影响，如何应对气候变化的负面影响，以及支持哪些缓解或适应政策。一系列相关的工作已经使用了大量单词和单词级功能来自动检测文本中的框架。自标准当相似概念使用不同的关键字时，基于rd关键字的特征可能无法很好地泛化以适应文本中的表面变化。本文开发了一种独特的文本特征类型，通过将从文本中提取的三元组聚类为高级概念来概括它们。这些概念被用作检测文本中的帧的特征。与基于单粒度和双粒度的模型相比，使用广义概念的分类和聚类产生了更好的鉴别特征和更高的分类精度，帧/非帧检测的提升率为12%（即从74%到83%的F-measure），聚类纯度为0.91。在相互关联的事件及其参与者之间自动发现复杂因果链的问题尚未得到彻底研究。先前有关从文本中提取因果关系的研究都是基于费力且不完整的手工开发的显性因果动词列表，例如“原因”和“结果”这种方法导致有限的回忆，因为当使用不同的关键字和短语来表达相似的因果效果时，标准因果动词可能无法很好地泛化以适应文本中的表面变化。因此，我提出了一个利用广义概念提取因果关系的系统。提出的算法克服了因果关系书面表达中的表面变化，并发现了气候事件和人类安全之间的多米诺骨牌效应。这种半监督方法减轻了对劳动密集型关键字列表开发和注释数据集的需求。领域专家的实验评估平均精度达到82%。因果链的定性评估表明，结果与2014年IPCC报告一致，该报告阐明了气候压力与社会不稳定之间联系的因果机制。论文/论文计算机科学博士论文201
- 出版地点
- 剑桥大学出版社
- 出版日期
- 01/09/1994
- 研究领域
获取PDF
- 出版地点
- 出版日期
- 01/04/2015
- 研究领域
获取PDF促进反思性思维是一个重要的教育目标。一种常见的教育实践是为学习者提供机会，以书面形式表达他们的反思思想。从反思的角度分析这类文本主要是一项手工任务，它采用了内容分析的原则。考虑到在线学习系统生成的文本数量，自动分析与反思有关的文本的工具将大大有利于研究和实践。之前的研究已经探索了基于词典的方法的潜力，该方法可以自动将关键字映射到与反射相关的类别。其他自动化方法使用手动构建的规则来衡量文本的洞察力。机器学习已经显示出根据反射相关结构对文本进行分类的潜力。然而，机器学习是否可以用于可靠地分析反思性写作模型类别的文本，目前尚不清楚。本文研究了机器学习算法检测文本中反思思维的可靠性。特别是，它研究是否可以自动分析学生写作中的文本片段，以检测是否存在反思性写作模式类别。对反思性写作的模型进行综合，以确定分析反思性写作常用的类别。对于这些类别中的每一个，都会评估几种机器学习算法是否能够可靠地检测到反射性写作类别。评估发现，许多类别都可以可靠地预测。然而，自动化方法并没有达到与人类相同的可靠性水平
