Datasets:
LittleCxwx
/
paper_data

Dataset card Data Studio Files
xet
Community
1
text
stringlengths
0
18.7k
FL) 三
好十 2 刀_ 2
二二 (十) 一元(十) 1 .(-) =(-)
宙二一工 人 (a 有 一 X 】 十 兄_一1 < (z 尖呈PT和
其中| 代表第i 个特征，即每一个特征都会有一个 F-score。Xx 拔是
所有该特征值的平均数，而 (+) ， (CC) 则分别代表所有阳性样本
和阴性样本的特征值 〈的平均数) 。代表k 是对于具体第i 个特征
的每个实例，分母的两个 sigma 可以理解为阳性样本与阴性样本的
特征值的方差。F-score 越大说明该特征的辨别能力越强。
3. 特定热度问题的答复分析
对于特定热度为问题的分析，首先要进行问题分类，在问
题分类的基础上通过深度学习中的卷积神经网络来设计答复模型，
其关键在于关键词的分析判断，优化模型训练市场。根据评价答复
系统的特点，在政务系统中通过留言来收集语料信息，用这些信息
构建答复系统的语料库。
基于卷积神经网络的系统设计
卷积神经网络的三个优点 一、稀朴的交互性，二、参数共享性
三、等价表示性。
所以选择卷积神经网络来进行模型来训练。神经网路的结构设计包
括以下六种.
HL 表示 hide layer 隐藏层，它的激活函数设计成
z=tanh(Wx+B)，CNN 是卷积层，P 是池化层，池化步长为1，T
是tanh 层，P+T 的输出是向量表示，最终的输出是两个向量的 cos
相似度
图中HL或 CNN 连起来的表示他们共享相同的权重。CNN 的输出是
几维的取决于做多少个卷积特征，如果有 4 个卷积，那么结果就是
4*3 的矩阵。
10
2 答复模型构建
第一步，卷积运算在一定的范围内做平移并取平均值
| F(r)g(x--T)dr
总之卷积就是先打乱，再到加。对t 积分，而不是对于X 积分。就是
对于国定的 x，找到 x 附近的所有变量，并且求两个函数的乘积，并
求和。
第二步，多层卷积和池化
利用一次卷积运算(哪怕是多个卷积核)提取的特征往往是局部的，
难以提取出比较全局的特征, 因此需要在一层卷积基础上继续做卷积
计算 ，这也就是多层卷积
池化是一种降维的方法。按照卷积计算得出的特征向量维度大的
惊人，不但会带来非常大的计算量，而且容易出现过拟合，解决过
拟合的办法就是让模型尽量“泛化”，也就是再“模糊”一点，那
么一种方法就是把图像中局部区域的特征做一个平滑压缩处理，这
源于局部图像一些特征的相似性(即局部相关性原理)。
具体做法就是对卷积计算得出的特征在局部范围内算出一个平均值
(或者取最大值、或者取随机采样值)作为特征值，那么这个局部范围
(假如是 10*10)，就被压缩成了 1*1，压缩了 100 倍，这样虽然更
“模糊”了，但是也更“泛化”了。通过取平均值来池化叫做平均
池化，通过取最大值来池化叫做最大池化。
J
第三步，模型构建
卷积核中的因子(X1 或X0)其实就是需要学习的参数，也就是郑
积核矩阵元素的值就是参数值。多层神经网络为了方便用链式求导
法则更新参数，我们设计 sigmoid 函数作为激活函数，我们同时也
发现卷积计算实际上就是多层神经网络中的 Wx 矩阵乘法，同时要
加上一个偏执变量 b，那么前向传到的计算过程就是:
hrs(z) 一ai 一Da 十2 0 十3 5 十大 )
如果有更多层，计算方法相同
因为是有监督学习，所以模型计算出的y和观察值y 之间的偏差用
于更新模型参数，参数更新公式是:
局
me
9
了0 =了0一a .JJ(有有晶
_ 0， 9 Jrryr
名一外一本亲7(了
偏导计算公式是:
了一5