1.引文
情感分析 知识
当training数据不足以覆盖inference阶段遇到的特征时,是标注更多的数据还是利用现有外部知识充当监督信号?
基于机器学习、深度学习的情感分析方法,经常会遇到有标注数据不足,在实际应用过程中泛化能力差的局面。为了弥补这一缺点,学者们尝试引入外部情感知识为模型提供监督信号,提高模型分析性能。本文从常见的外部情感知识类型出发,简要介绍在情感分析中使用知识的一些代表性工作。
2.正文
我们为什么要不断尝试在情感分析中融入知识呢?笔者以为有如下几点原因:
1)一般的文本分类任务只提供句子或文档级别的情感标签,引入情感词典等先验情感知识可以给情感文本引入更细粒度监督信号,使得模型能学到更适合情感分析任务的特征表示。
2)底层的词性、句法等分析任务能给下游的情感分类、抽取任务提供参考信息,如评价表达通常是形容词或形容词短语,而评价对象通常是名词;不同情感分析任务本身存在相互促进作用,如评价对象和评价词在句子中出现的距离通常比较近,联合抽取能同时提高两者的性能表现。
3)短文本评论通常略去了大量的背景常识知识,从文本本身通常难以推断真实情感倾向性。例如一条有关大选的推文内容是“I am so grateful for Joe Biden. Vote for #JoeBiden!!”,文本中并未涉及任何有关Trump的描述,要判断它关于Trump的立场倾向性时,需要了解的背景知识是,二者是这次大选的竞争对手,支持一个人就意味着反对另一个人。
那情感分析常用的知识又有哪些呢?
2.1 知识的类型及情感分析常用知识库
依据对知识获取途径的划分方式[1],我们简单总结了情感分析中常用的知识类型:
显性知识
一般情感词典(如MPQA,Bing Liu词典等),情感表情符;否定词(Negation)、强化词(Intensification)、连接词(Conjunction)等规则
SentiWordNet
ConceptNet,SenticNet
数据
数据 (Twitter、微博表情符弱标注数据)
领域数据集 (例如某一类别商品评论数据)
学习算法
词法、句法、语义依存等模型
多任务学习算法
预训练语言模型、词向量学习算法
其中,以情感词典最为常用。情感分析数据通常结合语言模型算法,产生情感向量表示作为下游任务输入;词法、句法分析模型一般直接为下游情感分析任务提供特征输入或者以多任务学习的方式参与到下游情感分析任务的训练过程中;结构化的外部知识库通常需要借助图算法进行特征挖掘,为文本提供更丰富的常识、情感上下文信息。
2.2 知识的引入方式及在情感分析部分任务上的应用
下表展示了几种常见的知识类型及其特点,我们将根据知识的获取途径及引入方式,结合具体论文阐述其使用方式。
知识类型
优点
缺点
人工情感词典
质量高
规模小,静态,覆盖低
自动情感词典
规模大
静态、质量低
语言学规则
适用范围广
不够准确
预训练语言模型
上下文建模能力强
参数量大,训练时间长,运行速度慢
常识知识库
规模大、质量高、覆盖全
利用困难
目前,相关的情感分析工作可以大致分为以下几类:
引入情感词典知识
要说情感知识,大部分人首先会想到的就是人工编纂的情感词典,它简明直观、质量高、极性明确,使用方便,广泛应用在情感分类、情感元素抽取、情感原因发现、情感文本风格迁移等多种情感分析任务上。情感词区别于非情感词的地方在于,它们一般表征一定的情感/情绪状态,通常情感词典中还会给出其强度打分。类似的,现在网络上流行的部分表情符 (emoj,如:) 、:( 、、)也能表征某些情感/情绪状态。
图1 人工编纂的情感词典
我们在这里介绍一个同时使用情感词典中词的极性和打分的工作,看看前人们是如何在神经网络中把情感词的情感信息融入文本的情感表示中的。
给定一段评论文本,Teng等人[2]首先找出其中的情感相关词汇(如情感词、转折词、否定词),并计算其对文本整体情感极性的贡献程度,然后将每个词的贡献值乘上其情感得分作为局部的情感极性值,最终加上全局的情感极性预测值作为整个文本的情感得分。
图2 同时使用情感词典中词的极性和打分
虽然上述工作在计算情感得分时,考虑了not、very等否定词、强化词的得分信息,但是没有显式把这些词对周围词的情感语义表示的影响刻画出来,Qian等人[3]考虑到情感词、否定词、强化词在情感语义组合过程中起到的不同作用,对文本建模过程中对不同位置词的情感分布加以约束。例如,若一个词的上文是not等否定词,会带来not处文本情感语义的翻转。
![](https://file.elecfans.com/web1/M00/CE/2C/pIYBAF-fvKqAZXTXAAEoziUFCNY006.png)
图3 对不同位置词的情感分布加以约束
总体来看,情感词典作为一种易于获取、极性准确的情感知识,能够在标注语料之外,为情感分析提供额外的监督信号,既可以提升有监督模型的泛化能力,也能够为半监督、无监督模型提供一定的指导。
引入大规模无标注语料
语言建模作为一个典型的自监督学习任务,其语言模型产生的词表示作为下游任务网络模型的输入,表现出优越的性能,因而得到广泛的应用。如果能将情感知识融入到语言模型中,其产生的词表示必然对情感分析各子任务带来性能提升。
我们接着介绍一个在词向量中融入显式情感词典知识(实际使用的是表情符)的方法。
Tang等人[4]观察到,一般的词向量对于“good”和“bad”这种上下文相近但极性相反的词,给出的向量表示没有很强的区分性,不利于下游的各情感分析任务。Twitter和微博中有海量包含表情符的文本,利用这些情感极性明确的表情符可以过滤得到大量弱标注的情感文本。Tang等人使用这些语料,他们在普通的C&W模型基础上,引入情感得分相关的损失,将这些弱标注的情感信息融入词向量表示中,使“good”和“bad”这种上下文相近但情感不同的词的向量表示有明显的差异。在情感分类任务上,他们验证了融入情感表情符知识的有效性。在此基础上,他们还进一步自动构建大规模情感词典,该词典被[2]应用到Twitter情感分类任务上。
![](https://file.elecfans.com/web1/M00/CE/2C/pIYBAF-fvKqAbZVPAAE7NKOjs1U514.png)
图4 将基于表情符过滤的弱标注情感信息融入词向量表示中
引入外部特征提取算法
除了准确的情感词知识,词法、句法、语义依存信息、评价词和评价表达等情感信息在文本的情感语义建模过程中也发挥了重要作用,这些知识不是显性存在于大规模的知识图谱中,而是存在于对应的人工标注数据中。一般利用学习算法从这些数据中训练用于提取特征的模型。
Tian等人[5]在近期的预训练BERT语言模型基础上,将文本中的评价对象(属性)、情感词等情感元素引入Mask Language Model预训练任务,进一步提高了BERT类模型在多个情感分类数据集上的性能。
![](https://file.elecfans.com/web1/M00/CE/2C/pIYBAF-fvKqAE9xiAADDnqZE4pE751.png)
图5 将多种情感元素引入Mask Language Model预训练任务 同[3]类似,Ke等人[6]在预训练语言模型中引入词级别的情感、词性知识。他们先给每个词预测词性信息,然后依据词性信息从SentiWordNet中推断其情感极性。基于获得的词性和情感信息,他们在一般的Masked Language Model基础上同时预测这些语言学标签,实现在预训练语言模型中注入情感知识。该模型在主流的情感分类、细粒度情感分析数据集上取得了目前最好的结果,证明引入词性和情感极性知识在预训练任务中的有效性。
![](https://file.elecfans.com/web1/M00/CE/2C/pIYBAF-fvKqAPjdMAAHKtPHtoJU035.png)
图6在预训练语言模型中引入词级别的情感、词性知识
Sun等人[7]提出在面向属性的情感分类(ABSA)任务上,引入Stanford parser解析得到的依存树信息辅助识别评价对象相关的评价词。他们将GCN在依存树上学习得到的表示与BLSTM学习到的特征结合,判断句子针对评价对象的情感极性。
![](https://file.elecfans.com/web1/M00/CE/2C/pIYBAF-fvKqAQ1XuAACiHATFoDc155.png)
图7将GCN在依存树上学习得到的表示与BLSTM学习到的特征结合
在外部特征引入方式上,目前方法以两种方法为主:(1)直接作为特征输入模型(2)以多任务学习的方式,作为辅助任务与主任务一同训练。这些方法的区别主要在引入特征类别或者辅助任务的任务设计。
引入常识知识
除了情感词典、情感词向量、情感预训练语言模型、文本特征抽取器外,结构化的外部知识也是很常见的一种情感知识来源。它的特点是规模大,覆盖面广,蕴含丰富的实体、事件或者常识概念间相关关系知识。结构化知识中具备高质量的关系类型,因而适用于需要推理、泛化的情感分析任务。
一个典型的需要泛化的任务是跨领域文本情感分类任务。源端和目标端的评价对象、评价词等情感相关特征差异较大,训练时模型依赖的源端分类特征未必会在目标端文本中出现,如何将这些情感特征进行对齐是一个重要且富有挑战性的问题。一类方法是使用通用情感词典作为pivot信息,建立源端、目标端共享特征的对齐,但这类方法只考虑共享的情感词信息,且通过文本本身学习到的情感表达对齐也不充分、准确,同时无法捕获到不同领域之间评价对象之间链接关系。
而结构化外部知识正好弥补了这些缺点,它蕴含情感词到非情感词、不同领域评价对象之间的关联关系。近年由于图表示算法的进步,学者们能够更高效的对这些结构化外部知识加以利用。
在跨领域情感文档情感分类任务上,Ghosal等人[8]在ACL2020上提出KinGDOM算法, 利用ConceptNet为所有领域构建一个小规模知识图谱,然后找出每个文档中独有的名词、形容词、副词集合,再依据从中抽取出一个文档相关的子图,进而提供一个由知识库知识提取而来的特征表示,与文档本身的情感表示一起做最后的情感分类。
图8KinGDOM算法
类似地,在跨目标立场分类任务上,Zhang等人[9]利用SenticNet和EmoLex构建学习带情绪关系连接的语义-情绪图谱(SE-graph),并使用图卷积神经网络(GCN)学习节点表示。给定一段文本,他们使用SE-graph为每个词学习构建一个子图并学习其表示,得到的外部特征表示送入修改后的BLSTM隐层,与当前上下文特征进行融合。
![](https://file.elecfans.com/web1/M00/CE/2C/pIYBAF-fvKqAfK6MAAFcHpGSHZM012.png)
图9基于SE-graph 使用GCN学习节点表示
这两个工作都使用外部结构知识,扩展了输入特征空间,利用知识库中的连接将源端和目标端的评价词、评价对象等特征进行对齐,极大地丰富了情感上下文信息。
3.总结
本文介绍了情感分析中引入外部知识的部分工作,简要介绍了现阶段情感分析常用的外部知识,从最常见的情感词典入手,逐步介绍基于情感词典的情感词向量、预训练语言模型,展示了使用多任务学习融合词性、依存句法等文本底层特征抽取器的工作,最后介绍了近期热门的使用结构化外部知识的文本情感迁移学习工作。我们可以看出,情感词典虽然最为简单,却是情感知识引入多种引入方式的基石,在情感分析算法中地位无出其右。
对于未来工作,一方面,由于目前的情感分析中知识引入的应用场景仍局限在情感分类任务中,有待扩展到情感抽取、情感(多样性)生成等各个情感分析任务上;另一方面,在情感分析专用预训练语言模型中融合结构化外部知识,增强预训练语言模型对情感分析相关世界知识的理解仍有待探索。
参考资料
[1]
刘挺,车万翔. 自然语言处理中的知识获取问题.
[2]
Teng et al. Context-Sensitive Lexicon Features for Neural Sentiment Analysis.
[3]
Qian et al. Linguistically Regularized LSTM for Sentiment Classification.
[4]
Tang et al. Learning Sentiment-Specific Word Embedding for Twitter Sentiment Classification.
[5]
Tian et al.SKEP: Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis.
[6]
Xu et al.SentiLARE: Sentiment-Aware Language Representation Learning with Linguistic Knowledge.
[7]
Sun et al.Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree.
[8]
Ghosal et al.KinGDOM: Knowledge-Guided DOMain Adaptation for Sentiment Analysis.
[9]
Zhang et al.Enhancing Cross-target Stance Detection with Transferable Semantic-Emotion Knowledge.
责任编辑:xj
原文标题:基于知识引入的情感分析
文章出处:【微信公众号:深度学习自然语言处理】欢迎添加关注!文章转载请注明出处。
原文标题:基于知识引入的情感分析
文章出处:【微信号:zenRRan,微信公众号:深度学习自然语言处理】欢迎添加关注!文章转载请注明出处。
收藏
人收藏
扫一扫,分享给好友
复制链接分享
评论
发布评论请先 登录
相关推荐
施耐德电气再获“金钥匙·冠军奖” 甲骨文和红牛车队加强合作关系
LG化学近日宣布,其治疗2型糖尿病的新药候选物质“LC542019”的I期临床试验计划(IND)已获....
lhl545545 发表于 03-22 11:26 •
323次
阅读
图神经网络综述
图的概念起源于18世纪著名的柯尼斯堡七桥问题,到了20世纪中期,拟阵理论、超图理论、极图理论等研究蓬....
机器视觉智能检测 发表于 03-22 11:01 •
187次
阅读
python网络爬虫概述
网络爬虫(Web Spider)又称网络蜘蛛、网络机器人,是一种按照一定的规则,自动地抓取万维网信息....
python爬虫知识分享 发表于 03-21 16:50 •
103次
阅读
深度学习是人工智能革命中的关键技术
边缘计算设备的能力也在不断提升,各大厂商最新发布的SoC都配备有算力不俗的NPU,技术升级推动深度学....
发烧友研习社 发表于 03-20 13:31 •
261次
阅读
比特大陆边缘计算盒子17.6T算力参数概述
IVP03A 是一款英码科技基于BM1684设计的高性能、低功耗的边缘计算设备,内置比特大陆第三代N....
英码科技 发表于 03-18 13:57 •
777次
阅读
TDK推出新型超薄µPOL™直流-直流转换器
TDK株式会社宣布推出FS1412 microPOL(µPOL™)电源模块。FS1412的尺寸为5.....
发表于 03-18 09:31 •
735次
阅读
机器学习中的异常检测
在我们讨论什么是异常检测之前,我们必须首先定义一个异常。 一般来说,异常是一些偏离标准的东西:一个偏....
Imagination Tech 发表于 03-17 13:57 •
243次
阅读
采用恩智浦应用软件包快速启动产品开发
恩智浦基于ML的系统状态监测应用软件包(App SW Pack)为快速开发此类复杂应用提供了量产源代....
发表于 03-17 11:26 •
1357次
阅读
一种快速评估混凝土缺陷的无损检测方法
混凝土材料中的缺陷检测,对于土木工程和结构应用至关重要。据麦姆斯咨询报道,日本芝浦工业大学(Shib....
MEMS 发表于 03-17 09:38 •
122次
阅读
大联大21年全年营收创历史新高 曙光助力新材料计算软件创新
近日,依托东北大学建设、东软集团参与共建的计算机软件国家工程研究中心正式纳入新序列管理的国家工程研究....
lhl545545 发表于 03-17 09:22 •
720次
阅读
RFE递归特征消除特征排序
本文主要从股市数据变量的特征分布及特征重要性两个角度对数据进行分析。
Linux爱好者 发表于 03-16 17:26 •
683次
阅读
芯耀辉连续完成两轮超4亿元融资 一流科技加入IDEA CTO工作室
芯片IP是大规模数字芯片的基础构建单元,是芯片设计的核心组件。随着芯片设计复杂度的提升,这一技术开始....
倩倩 发表于 03-16 15:34 •
320次
阅读
STG宣布推出Trellix新业务 韩国KT选择是德科技5G设备测试解决方案
Symphony Technology Group (STG) 近日宣布推出Trellix,这是一项....
发表于 03-16 14:45 •
832次
阅读
嵌入式边缘AI应用开发简化指南
面临的一系列挑战包括选择恰当的深度学习模型、针对性能和精度目标对模型进行训练和优化,以及学习使用在嵌....
发表于 03-16 11:36 •
929次
阅读
浅谈模拟在机器学习领域的重要性
电子设计行业正在发生相当大的变化,这主要是由于传感器的激增以及生成和收集更多信息的需求。这导致拥有更多传感器,并且这些传...
发表于 03-15 18:05 •
1789次
阅读
如何解决工业缺陷检测小样本问题
早期的产品缺陷模式识别主要是通过机器学习方法进行的,如支持向量机、反向传播网络等。这些方法与用肉眼直....
机器视觉智能检测 发表于 03-15 13:49 •
206次
阅读
AutoML:训练模型以识别凹坑
初始算法选择和超参数优化是我个人不喜欢做的活动。如果你像我一样,那么也许你会喜欢自动机器学习(Aut....
机器视觉智能检测 发表于 03-15 11:11 •
124次
阅读
华域汽车携手ABB推进智能制造升级 ST升级机器学习开发工具
华域汽车系统股份有限公司(以下简称:华域汽车或公司)全资子公司华域汽车系统(上海)有限公司(以下简称....
牵手一起梦 发表于 03-14 10:49 •
273次
阅读
25个Pandas实用技巧
假设你将一些数据储存在Excel或者Google Sheet中,你又想要尽快地将他们读取至DataF....
数据分析与开发 发表于 03-14 10:33 •
145次
阅读
基于深度学习的IRS辅助MIMO通信系统的CSI压缩及恢复研究
摘要: 智能反射面(IRS, Intelligent Reflecting Surface)因成本低....
发表于 03-11 16:49 •
74次
阅读
ST推出第三代MEMS传感器 全球首个集成ISP和Occula NPU的ASIC出世
服务多重电子应用领域、全球排名前列的半导体公司意法半导体(STMicroelectronics,....
牵手一起梦 发表于 03-11 15:00 •
373次
阅读
FPGA, CPU, GPU, ASIC区别,为什么使用FPGA?
PGA常年来被用作专用芯片(ASIC)的小批量替代品,然而近年来在微软、百度等公司的数据中心大规模部....
FPGA设计论坛 发表于 03-11 10:49 •
256次
阅读
深兰科技智能大健康产品入驻山东 达闼打造融合智能机器学习平台
近日,行业唯一、山东省内首个综合性生命科技馆在山东滨州投入使用,深兰科技AI生理健康检测仪——扁鹊、....
发表于 03-11 10:31 •
913次
阅读
基于深度学习构造DL-SR网络结构和实现方法
缩放算法,尤其是放大算法,将原先没有的像素,通过一定的算法计算出来。这些算法常用的有最近邻域算法,双....
机器视觉智能检测 发表于 03-09 16:51 •
359次
阅读
基于深度学习技术的电表大数据检测系统
基于深度学习技术的电表大数据检测系统 来源:《 人工智能与机器人研究》 ,作者方向 摘要: 随....
发表于 03-09 16:49 •
22次
阅读
瑞萨电子推用于Level 2+/Level 3自动驾驶功能的R-Car V4H 24年量产
“新平台通过尖端开发环境推动创新,为“软件定义汽车”铺平道路” 2022 年 3 月 8 日,中国北....
发表于 03-08 18:05 •
829次
阅读
深度学习在轨迹数据挖掘中的应用研究综述
深度学习在轨迹数据挖掘中的应用研究综述 来源:《 计算机科学与应用》 ,作者 李旭娟 等 摘要: ....
发表于 03-08 17:24 •
53次
阅读
求大佬分享RK3399运行瑞芯微官方yolov5 C++代码
求大佬分享RK3399运行瑞芯微官方yolov5 C++代码
发表于 03-07 06:33 •
216次
阅读
一种改进的高光谱图像CEM目标检测算法
一种改进的高光谱图像CEM目标检测算法 来源:《 应用物理》 ,作者付铜铜等 摘要: 约束能量....
发表于 03-05 15:47 •
26次
阅读
意法半导体先进的MEMS传感器助您开启Onlife 时代
MEMS 技术实现是稳健可靠的芯片级运动和环境传感器的基础技术,今天的智能手机和可穿戴设备依靠MEM....
发表于 03-04 13:57 •
1271次
阅读
亚马逊云科技全栈机器学习力
什么是机器学习?其实机器学习在我们的现实生活中经常出现。尤其这几年,当我们在酒店入住和餐厅就餐时,已....
华夏大视野 发表于 03-04 09:20 •
1123次
阅读
某型无人机群的监视覆盖任务航路规划
某型无人机群的监视覆盖任务航路规划 来源:《 计算机科学与应用 》 ,作者冷雄晖等 关键词: ....
发表于 03-03 16:01 •
19次
阅读
基于迁移深度学习的雷达信号分选识别
基于迁移深度学习的雷达信号分选识别 来源:《软件学报》 ,作者王功明等 摘要: 针对当前雷....
发表于 03-02 17:35 •
51次
阅读
2022上海人工智能开发者大会Amazon DeepRacer自动驾驶赛车嘉年华 成功举办
由亚马逊云科技主办的WAIC 2022上海人工智能开发者大会 “Amazon DeepRacer嘉年....
发表于 03-02 14:46 •
391次
阅读
瑞萨电子与Fixstars建立汽车软件平台实验室,为用户提供深度学习开发软件和操作环境
瑞萨电子集团(TSE:6723)和多核CPU/GPU/FPGA加速技术的全球卓越供应商Fixstar....
发表于 03-02 13:53 •
313次
阅读
怎样配置rk3568 RKNN呢
怎样配置rk3568 RKNN呢?有哪些配置步骤?
发表于 03-02 10:18 •
527次
阅读
2022(第十一届)飞机航空电子国际论坛 2022年4月20日至21日 中国·上海
随着机器学习和人工智能成为航空航天行业未来的热门话题,我们如何进行自动化设计和测试?我们如何确定要测....
发表于 03-01 16:05 •
415次
阅读
怎样去解决工控系统及装备M9连接线加工工艺原因导致的问题呢
工控系统及装备M9连接线加工工艺原因导致的问题,4.3.1 拉丝或喷砂后再进行折弯,容易在...
发表于 02-28 13:03 •
138次
阅读
基于时空相关属性模型的公交到站时间预测算法
摘 要:公交车辆到站时间的预测是公交调度辅助决策系统的重要依据,可帮助调度员及时发现晚点车辆,并做出....
发表于 02-28 10:59 •
22次
阅读
机器学习的基础内容汇总
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入...
发表于 02-28 06:12 •
123次
阅读
关于机器学习模型的六大可解释性技术
本文介绍目前常见的几种可以提高机器学习模型的可解释性的技术。
赛灵思 发表于 02-26 17:20 •
240次
阅读
恩智浦发布S32G汽车集成平台,加速软件定义汽车开发
GoldVIP为服务型网关、域控制器和车载计算机加快S32G芯片评估、软件开发和快速原型制作。
发表于 02-25 11:54 •
673次
阅读
Cortex-X1 Arm全新Cortex-X1高性能CPU
Arm全新的Cortex-X1高性能CPU,它是 Arm Cortex-X Custom 项目(CX....
物联网评论 发表于 02-25 09:18 •
1510次
阅读
让连接成为现实——罗德与施瓦茨携移动测试解决方案亮相MWC 2022
MWC 2022将于2022年2月28日至3月3日在巴塞罗那举行,届时将聚集移动行业重要企业。秉承“....
发表于 02-24 14:08 •
731次
阅读
安晟培半导体与Rigetti Computing公司达成战略合作
安晟培半导体科技有限公司(Ampere Computing)日前宣布与 Rigetti Comput....
安晟培半导体 发表于 02-24 13:44 •
1062次
阅读
英特尔BigDL深挖大数据价值 助力分布式人工智能广泛落地
“没说就是零卡。”近日,网络健身博主@秃顶吴彦祖的金句意外走红,揭开了无数撸铁干饭王的最强自我欺骗套....
话说科技 发表于 02-22 13:16 •
602次
阅读
面向关系数据库的智能索引调优方法
面向关系数据库的智能索引调优方法 来源:《软件学报》 ,作者邱 涛等 摘 要:数据库索引是关....
li1234567890123 发表于 02-21 17:31 •
340次
阅读
Ampere携手Rigetti开发混合量子经典计算机
该合作旨在为价值 160 亿美元的机器学习市场提供服务,赋能机器学习应用的发展
发表于 02-21 11:30 •
291次
阅读
大数据建模、分析、挖掘技术应用研修班的通知
随着2015年9月国务院发布了《关于印发促进大数据发展行动纲要的通知》,各类型数据呈现出了指数级增长....
li1234567890123 发表于 02-19 16:37 •
369次
阅读
人工智能赋能的数据管理、分析与系统专刊前言
人工智能赋能的数据管理、分析与系统专刊前言 来源:《软件学报》 ,作者李战怀等 大数据时代,数据....
li1234567890123 发表于 02-18 17:30 •
236次
阅读
基于并行附加特征提取网络的SSD地面小目标检测模型
基于并行附加特征提取网络的SSD地面小目标检测模型 来源:《电子学报》 ,作者李宝奇等 摘 要: 针....
li1234567890123 发表于 02-17 16:41 •
244次
阅读
简单整理下几款合适的嵌入式硬件平台
本来想温习下数电,模电,单片机,电路设计,外围配套端口和设备方面的知识,往底层硬件方面去,鉴于精力有限,初衷点是想把算法...
发表于 02-17 08:02 •
543次
阅读
如何去实现基于K210的MNIST手写数字识别
基于K210的MNIST手写数字识别硬件平台 采用Maixduino开发板 &...
发表于 02-17 07:35 •
398次
阅读
机器学习模型的可解释性算法详解
本文介绍目前常见的几种可以提高机器学习模型的可解释性的技术,包括它们的相对优点和缺点。
赛灵思 发表于 02-16 16:21 •
380次
阅读
Modbus-RTU协议包括哪些呢
Modbus-RTUModbus 一个工业上常用的通讯协议、一种通讯约定。Modbus协议包括RTU、ASCII、TCP。其中MODBUS...
发表于 02-16 07:43 •
379次
阅读
oled屏幕的通信方式分为几种
oled显示oled屏幕的通信方式分为2种:1、iic通信方式它是由数据线 SDA 和时钟 SCL 构成的串行总线, 可发送和接收数据。在...
发表于 02-16 07:03 •
212次
阅读
LD3320语音识别模块+MP3-TF-16P模块实现语音交互功能的过程
LD3320语音识别模块+MP3-TF-16P模块实现语音交互功能利用LD3320语音识别模块可以实现非特定人声语音控制单片机io口动作...
发表于 02-15 06:35 •
528次
阅读
|