1. <menuitem id="m63kj"></menuitem>
        <tbody id="m63kj"><div id="m63kj"></div></tbody>
        <bdo id="m63kj"></bdo>
      2. <tbody id="m63kj"><div id="m63kj"></div></tbody>
        1. <menuitem id="m63kj"><dfn id="m63kj"><delect id="m63kj"></delect></dfn></menuitem>
            您當前所在位置: 首頁 > 首發論文
            動態公開評議須知

            1. 評議人本著自愿的原則,秉持科學嚴謹的態度,從論文的科學性、創新性、表述性等方面給予客觀公正的學術評價,亦可對研究提出改進方案或下一步發展的建議。

            2. 論文若有勘誤表、修改稿等更新的版本,建議評議人針對最新版本的論文進行同行評議。

            3. 每位評議人對每篇論文有且僅有一次評議機會,評議結果將完全公示于網站上,一旦發布,不可更改、不可撤回,因此,在給予評議時請慎重考慮,認真對待,準確表述。

            4. 同行評議僅限于學術范圍內的合理討論,評議人需承諾此次評議不存在利益往來、同行競爭、學術偏見等行為,不可進行任何人身攻擊或惡意評價,一旦發現有不當評議的行為,評議結果將被撤銷,并收回評審人的權限,此外,本站將保留追究責任的權利。

            5. 論文所展示的星級為綜合評定結果,是根據多位評議人的同行評議結果進行綜合計算而得出的。

            勘誤表

            上傳勘誤表說明

            • 1. 請按本站示例的“勘誤表格式”要求,在文本框中編寫勘誤表;
            • 2. 本站只保留一版勘誤表,每重新上傳一次,即會覆蓋之前的版本;
            • 3. 本站只針對原稿進行勘誤,修改稿發布后,不可對原稿及修改稿再作勘誤。

            示例:

            勘誤表

            上傳勘誤表說明

            • 1. 請按本站示例的“勘誤表格式”要求,在文本框中編寫勘誤表;
            • 2. 本站只保留一版勘誤表,每重新上傳一次,即會覆蓋之前的版本;
            • 3. 本站只針對原稿進行勘誤,修改稿發布后,不可對原稿及修改稿再作勘誤。

            示例:

            上傳后印本

            ( 請提交PDF文檔 )

            * 后印本是指作者提交給期刊的預印本,經過同行評議和期刊的編輯后發表在正式期刊上的論文版本。作者自愿上傳,上傳前請查詢出版商所允許的延緩公示的政策,若因此產生糾紛,本站概不負責。

            發郵件給 王小芳 *

            收件人:

            收件人郵箱:

            發件人郵箱:

            發送內容:

            0/300

            論文收錄信息

            論文編號 202108-59
            論文題目 基于雙重對齊領域自適應的文本分類模型
            文獻類型
            收錄
            期刊

            上傳封面

            期刊名稱(中文)

            期刊名稱(英文)

            年, 卷(

            上傳封面

            書名(中文)

            書名(英文)

            出版地

            出版社

            出版年

            上傳封面

            書名(中文)

            書名(英文)

            出版地

            出版社

            出版年

            上傳封面

            編者.論文集名稱(中文) [c].

            出版地 出版社 出版年, -

            編者.論文集名稱(英文) [c].

            出版地出版社 出版年,-

            上傳封面

            期刊名稱(中文)

            期刊名稱(英文)

            日期--

            在線地址http://

            上傳封面

            文題(中文)

            文題(英文)

            出版地

            出版社,出版日期--

            上傳封面

            文題(中文)

            文題(英文)

            出版地

            出版社,出版日期--

            英文作者寫法:

            中外文作者均姓前名后,姓大寫,名的第一個字母大寫,姓全稱寫出,名可只寫第一個字母,其后不加實心圓點“.”,

            作者之間用逗號“,”分隔,最后為實心圓點“.”,

            示例1:原姓名寫法:Albert Einstein,編入參考文獻時寫法:Einstein A.

            示例2:原姓名寫法:李時珍;編入參考文獻時寫法:LI S Z.

            示例3:YELLAND R L,JONES S C,EASTON K S,et al.

            上傳修改稿說明:

            1.修改稿的作者順序及單位須與原文一致;

            2.修改稿上傳成功后,請勿上傳相同內容的論文;

            3.修改稿中必須要有相應的修改標記,如高亮修改內容,添加文字說明等,否則將作退稿處理。

            4.請選擇DOC或Latex中的一種文件格式上傳。

            上傳doc論文   請上傳模板編輯的DOC文件

            上傳latex論文

            * 上傳模板導出的pdf論文文件(須含頁眉)

            * 上傳模板編輯的tex文件

            回復成功!


            • 0

            基于雙重對齊領域自適應的文本分類模型

            首發時間:2021-08-24

            董樂樂 1   

            董樂樂(1998-),女,山東省聊城市人,碩士研究生,主要研究方向為智能信息處理

            任崇廣 1   

            任崇廣(1982-),男(漢族),山東省臨沂人,博士,副教授,研究方向為智能裝備,智能信息處理。

            徐興榮 1   

            徐興榮(1995-),男(漢族),山東省濟南人,碩士研究生,研究方向為智能信息處理,深度學習。

            • 1、山東理工大學計算機科學與技術學院,山東淄博,255049

            摘要:為了有效的進行不同領域之間的遷移學習,考慮了領域間的特征分布差異和標簽分布差異,提出基于雙重對齊領域自適應的文本分類模型。首先,模型使用相關對其算法(CORAL)對源域與目標域所提出的特征進行特征對齊,將對齊后的特征輸入到特征提取器中進一步提取特征;然后輸入到分類器和判別器中進行兩個領域的特征在正負類別和域類別上達到雙重對齊。該方法在亞馬遜數據集上進行實驗,實驗結果證明了模型對的有效性。

            關鍵詞: 文本分類 領域自適應 相關對齊 分布差異

            For information in English, please click here

            Double Alignment Domain Adaptation Based Text Classification Model

            Dong Lele 1   

            董樂樂(1998-),女,山東省聊城市人,碩士研究生,主要研究方向為智能信息處理

            Ren Chongguang 1   

            任崇廣(1982-),男(漢族),山東省臨沂人,博士,副教授,研究方向為智能裝備,智能信息處理。

            Xu Xingrong 1   

            徐興榮(1995-),男(漢族),山東省濟南人,碩士研究生,研究方向為智能信息處理,深度學習。

            • 1、School of Computer Science and Technology, Shandong University of Technology, Zibo,Shandong 255049

            Abstract:In order to perform transfer learning between different domains effectively, we consider the differences in feature distribution and label distribution between both domains, and propose a double alignment domain adaptation text classification model. First, the correlation alignment (CORAL) loss is utilized to align the feature distributions between the source and target domain. The aligned features are input to the feature extractor to further extract features, and then are input to classifier and discriminator, forcing the features of the source and target domains to have clear positive and negative category boundaries and domain category boundaries. Through training, the features of the two domains are double aligned on the positive and negative categories and the domain categories. This model was tested on Amazon review dataset. Experimental results demonstrate the effectiveness of our model.

            Keywords: text classification domain adaptation correlation alignment distribution discrepancy

            Click to fold

            點擊收起

            基金:

            論文圖表:

            引用

            導出參考文獻

            .txt .ris .doc
            董樂樂,任崇廣,徐興榮. 基于雙重對齊領域自適應的文本分類模型[EB/OL]. 北京:中國科技論文在線 [2021-08-24]. http://www.fightingvitiligo.com/releasepaper/content/202108-59.

            No.****

            動態公開評議

            共計0人參與

            動態評論進行中

            評論

            全部評論

            0/1000

            勘誤表

            基于雙重對齊領域自適應的文本分類模型

            少妇人妻好深太紧了