导读:本文包含了对象抽取论文开题报告文献综述、选题提纲参考文献，主要关键词:对象,评价,神经网络,句法,深度,注意力,卷积。
对象抽取论文文献综述写法
仇晓西,陆锡雷,王寅永,刘军,孙鹏[1]（2019）在《海事执法双随机监管对象随机抽取模型设计与实践探究》一文中研究指出为全面推行"双随机、一公开"监管机制,根据国务院和交通运输部相关文件规定和工作要求,探究海事监管对象随机抽取的模型算法,在海事信息系统顶层设计指导下,开发"海事行政执法‘双随机、一公开’"监管应用,以通过信息化手段实现监管对象的随机抽取,从而进一步提高海事行政执法综合管理水平及对外服务水平。(本文来源于《中国新通信》期刊2019年19期）
唐康,汪海涛,姜瑛[2]（2019）在《基于深度学习的电商评论评价对象抽取研究》一文中研究指出随着互联网飞速发展及智能终端的普及,网购逐渐成为一种重要的购物方式。在这样的背景下,细粒度情感分析成为了当前热门研究领域之一,而评价对象抽取是细粒度情感分析的重要步骤。提出了一种基于深度学习的电商评论文本评价对象抽取模型,模型通过双向LSTM获取词语上下文的整体信息特征,且通过卷积神经网络获取词语周围n-gram的局部特征信息,将融合两种特征信息融合后输入至CRF模块进行判别序列建模。实验结果表明该模型的抽取效果相比其他抽取模型有一定的提升。(本文来源于《电子测量技术》期刊2019年13期）
杨善良,孙启[3]（2019）在《基于注意力机制的循环神经网络评价对象抽取模型》一文中研究指出针对评论文本中评价对象的抽取任务,需要设计特征模板,而抽取结果往往受特征模板影响大的问题,提出一种端到端的神经网络评价对象抽取模型。分析条件随机场CRF在评价对象抽取任务中的特征模板设计;使用词向量嵌入模型在语义空间表示词语,并分析注意力机制在神经网络模型中的作用;将条件随机场模型与循环神经网络模型LSTM相结合,形成基于注意力机制的LSTM-CRF-Attention模型。在NLPCC2012和NLPCC2013两个数据集上进行实验,该模型的F值比CRF模型分别提高8.15%和11.03%。实验结果也同时验证词向量具备表示词语特征的能力,注意力机制能够有效提高神经网络模型中的评价对象抽取效果。(本文来源于《计算机应用与软件》期刊2019年03期）
张璞,陈韬,陈超,王永[4]（2018）在《基于深度学习的中文微博评价对象抽取方法》一文中研究指出通过对微博评价对象抽取进行研究,提出一种基于深度学习的中文微博评价对象抽取方法。通过建立双向长短时记忆网络模型,将评价对象抽取任务转化为序列标注任务;利用注意力机制,计算注意力分配概率分布;通过条件随机场模型规划文本序列的最优标注路径,提高评价对象抽取的准确性。在中文微博语料上进行的实验结果表明了该方法的有效性。(本文来源于《计算机工程与设计》期刊2018年08期）
韦山[5]（2018）在《省工商局 公开抽取2018年“双随机、一公开”检查对象名单》一文中研究指出7月27日，山东省工商局举行2018年“双随机、一公开”抽取检查对象名单仪式，公开抽取了今年全省工商系统即将开展的“双随机、一公开”综合检查对象名单。按照《山东省工商局随机抽查事项清单（第二版）》，省工商局将检查对象分为驻鲁直销企业、投资理财类(本文来源于《联合日报》期刊2018-08-10）
姚瑶,李慧宗,桂海霞,张波[6]（2018）在《基于评价对象抽取的物流在线评论情感分析》一文中研究指出对物流评论进行情感分析可以发现用户的投诉热点,有助于改善物流企业的服务质量。首先基于词性、评价词、评价对象的搭配规则、词频和PMI方法对物流评论中的评价对象进行抽取。然后,建立4种情感词库及评价词极性计算规则,计算物流企业评论的情感倾向性。结果表明:"四通一达"在速度、服务、价格等5个方面的情感倾向值存在一定差异,各企业可针对实际情况进行改进。(本文来源于《重庆科技学院学报(社会科学版)》期刊2018年04期）
李波[7]（2018）在《沈阳启用“双随机”综合执法平台》一文中研究指出本报讯 记者李波报道6月29日，在沈阳市“双随机、一公开”综合执法工作电视电话会议上，由沈阳市工商局牵头开发建设的“双随机”综合执法平台正式启用。作为进一步营造公平、公正市场环境和法治化、便利化营商环境的重要举措，“双随机”综合执法平台启用后，执法部门将(本文来源于《辽宁日报》期刊2018-07-03）
张志远,赵越[8]（2018）在《基于语义和句法依存特征的评论对象抽取研究》一文中研究指出评论对象抽取是情感分析的重要研究内容。基于语义词典,从评论对象的类别视角出发,运用语义相似度和相关度计算方法,该文提出用于评价对象抽取的七种新的语义特征。评价对象和评价词之间通常存在句法依存关系,并且评价词往往带有情感倾向,将句法依存分析和评价词识别结合,提出句法情感依存特征抽取方法,忽略无情感词和微情感词的句法依存关系,提高评价对象抽取的准确率。使用条件随机场模型,在SEMEVAL比赛的叁个领域数据集上进行实验,新的语义特征和句法情感依存特征组合的F1分数比SEMEVAL比赛限制性系统最好成绩平均高3.78%,比非限制性系统最好成绩平均高2%,证明了所提特征的有效性。(本文来源于《中文信息学报》期刊2018年06期）
刘秀磊,王延飞,刘思含,李红臣[9]（2018）在《科技情报对象关系抽取的技术选择》一文中研究指出科技情报数据与日俱增,呈现海量、多源、异构的特性。针对上述特点,知识图谱能较深入地分析科技情报,实现对科技情报对象的感知和刻画。科技情报对象关系的抽取是知识图谱构建的关键步骤。本文在总结分析现有关系抽取技术和传统神经网络模型的基础上,提出一种基于长短期记忆神经网络和卷积神经网络深度机器学习的关系抽取技术,并通过实验证明其具有较好的性能,与其他运用神经网络的关系抽取技术相比,该技术的准确率、召回率和F值均有提高,运用该技术有利于增强对科技情报对象关系的感知刻画能力。(本文来源于《情报工程》期刊2018年03期）
郭林东[10]（2018）在《基于深度学习的评价对象抽取研究》一文中研究指出评价对象抽取是细粒度情感分析的重要环节,也是进行精准产品评论挖掘或舆情监控的重要基础。基于模板规则的抽取方法,由于简单高效,在实际场景上已然成为首选方法,然而,模板规则的制定往往针对特定领域且常会遇到匹配顺序冲突问题;基于条件随机场的方法虽没有模板规则的这些问题,但其也需要依靠大量手工挖掘特征的过程,这些特征的好坏对抽取性能具有决定性的作用。因此,学者们开始研究如何自动地从评论文本中学习到这些特征。近年研究发现深层神经网络具有自动学习特征表示的能力,因此基于深度神经网络的评价对象抽取已成为此领域的重要研究方向。本文针对基于深度神经网络进行评价对象抽取时存在的问题,研究如何把语言学中的形态、词法、句法结构等先验知识与深层神经网络进行结合,以此进一步提升评价对象的抽取性能。在对评价对象抽取问题进行细致的分析综述的基础上,本文的主要研究工作和创新性如下:(1)分析解构了目前领先的基于深度学习框架的评价对象抽取方法,研究了传统机器学习方法和深度学习方法在词语语义表示的不同以及在短文本背景下词语以密集型向量表示的优势;对比了在评价对象抽取任务中深层网络不同的构建模式以及这些网络在层次、拓扑结构上的联系。(2)针对深度神经网络在进行评价对象抽取时存在的不足,提出了一种融合句法结构信息的改进模型。探究了评价对象在形态学、词性、依存句法结构等语言学上的特性,并利用这些特征信息,通过字符级词向量缓解未登录词问题,添加了词性向量表示,并进一步利用依存句法结构设计了词语之间依存信息的传递机制,增强了信息的跳跃传送,最后再结合条件随机场的标签依赖关系建模能力以实现评价对象抽取。(3)设计对比试验证明了提出的融合句法结构信息深度语义模型优于其它最新方法,并设计了剥离实验验证了模型的不同组件对实验结果的贡献。在公开数据集上的实验结果表明,提出的改进模型不但明显优于传统的机器学习方法,还进一步超越了目前领先的模型。(本文来源于《广东外语外贸大学》期刊2018-04-28）
对象抽取论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着互联网飞速发展及智能终端的普及,网购逐渐成为一种重要的购物方式。在这样的背景下,细粒度情感分析成为了当前热门研究领域之一,而评价对象抽取是细粒度情感分析的重要步骤。提出了一种基于深度学习的电商评论文本评价对象抽取模型,模型通过双向LSTM获取词语上下文的整体信息特征,且通过卷积神经网络获取词语周围n-gram的局部特征信息,将融合两种特征信息融合后输入至CRF模块进行判别序列建模。实验结果表明该模型的抽取效果相比其他抽取模型有一定的提升。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
对象抽取论文参考文献
[1].仇晓西,陆锡雷,王寅永,刘军,孙鹏.海事执法双随机监管对象随机抽取模型设计与实践探究[J].中国新通信.2019
[2].唐康,汪海涛,姜瑛.基于深度学习的电商评论评价对象抽取研究[J].电子测量技术.2019
[3].杨善良,孙启.基于注意力机制的循环神经网络评价对象抽取模型[J].计算机应用与软件.2019
[4].张璞,陈韬,陈超,王永.基于深度学习的中文微博评价对象抽取方法[J].计算机工程与设计.2018
[5].韦山.省工商局公开抽取2018年“双随机、一公开”检查对象名单[N].联合日报.2018
[6].姚瑶,李慧宗,桂海霞,张波.基于评价对象抽取的物流在线评论情感分析[J].重庆科技学院学报(社会科学版).2018
[7].李波.沈阳启用“双随机”综合执法平台[N].辽宁日报.2018
[8].张志远,赵越.基于语义和句法依存特征的评论对象抽取研究[J].中文信息学报.2018
[9].刘秀磊,王延飞,刘思含,李红臣.科技情报对象关系抽取的技术选择[J].情报工程.2018
[10].郭林东.基于深度学习的评价对象抽取研究[D].广东外语外贸大学.2018