隨著信息經(jīng)濟迅猛發(fā)展,學術(shù)新媒體作為新型的網(wǎng)絡(luò)學術(shù)知識平臺逐漸受到科研工作者的關(guān)注,為知識信息獲取、知識交流、知識傳播等帶來了改變。學術(shù)新媒體以學術(shù)微博、學術(shù)微信公眾號、學術(shù)虛擬社區(qū)、學術(shù)APP等主要形式存在,具有平臺類型多樣、平臺內(nèi)容豐富、平臺知識專業(yè)化等特點。為科研工作者提供了獲取學術(shù)信息、分享學術(shù)成果、開展學術(shù)交流等活動的新途徑。學術(shù)新媒體不再以文章、期刊論文等長文本形式作為知識推送的內(nèi)容,學術(shù)用戶作為學術(shù)新媒體環(huán)境中知識接受者與生產(chǎn)者兩種身份并存,新媒體環(huán)境鼓勵學術(shù)用戶通過提問、回答與分享來自主產(chǎn)生新知識,創(chuàng)新了學術(shù)知識獲取方式。隨著新媒體環(huán)境的擴張,互聯(lián)網(wǎng)中的用戶生成內(nèi)容呈現(xiàn)出了爆炸式增長,用戶在搜尋知識過程中需要消耗大量的時間和精力去瀏覽與篩選知識內(nèi)容。知識內(nèi)容出現(xiàn)“知識過載”,用戶陷入“知識迷航”,而學術(shù)新媒體中的用戶生成知識內(nèi)容也存在內(nèi)容質(zhì)量參差不齊,知識點碎片化分散,內(nèi)容冗余等問題。同時不同學術(shù)新媒體平臺間缺乏信息交流,單一平臺內(nèi)的知識無法及時完善與更新,導致用戶須花費大量時間去瀏覽多平臺內(nèi)的知識,增加了獲取知識的難度。如何對學術(shù)新媒體內(nèi)用戶生成內(nèi)容進行知識的挖掘、組... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：193 頁

【學位級別】：博士

【部分圖文】：

標準RNN前向傳播流程

吉林大學博士學位論文78和梯度爆炸等問題。為更好地處理信息長期依賴的問題，HochreiterS等人建立了長短期記憶（LongShortTermMemory,LSTM）模型[1]。其獨特的細胞狀態(tài)更新過程，讓當前信息傳遞具有長時記憶性，讓多個時刻的信息相互影響，從而緩解梯度消失等問題。LSTM模型使用“三門”設(shè)計，讓輸入的信息以細胞狀態(tài)進行更新，進而對當前的輸出和下一時刻的更新產(chǎn)生影響。具體的步驟如圖4.4所示。圖4.4LSTM模型結(jié)構(gòu)圖圖中的“三門”分別為：遺忘門、輸入門、輸出門。通過遺忘門，計算ft概率，用以決定繼承上一時刻隱藏層信息的比重。具體表達式如下所示。其中xt為輸入變量，ht-1為上一時刻的輸出，Wf為權(quán)重系數(shù)，bf為偏置常量，σ為sigmoid函數(shù)，取值介于0到1之間。()1,tfttffWhxb=+………..………………（公式4.3）通過輸入門，結(jié)合遺忘門的概率ft，計算細胞Ct的變化。具體分為兩步：第一步計算σ層的概率it，決定候選細胞tCD¤的更新程度，再利用tanh函數(shù)創(chuàng)建一個新的候選細胞tCD¤。第二步結(jié)合遺忘門概率ft，前一時刻的細胞狀態(tài)Ct-1以及it和tCD¤獲取本層細胞狀態(tài)信息Ct。其詳細的計算公式如下所示。其中Wi、Wc為相應(yīng)的權(quán)重系數(shù)，bi，bc為相應(yīng)的偏置常量。()1,tittiiWhxb=+……….………………（公式4.4）()1tanh,tcttcCWhxb=+……….………………（公式4.5）[1]HochreiterS,Schmidhuber,Jürgen.LongShort-TermMemory[J].NeuralComputation,1997,9(8):1735-1780.

第4章多源學術(shù)新媒體用戶生成內(nèi)容的質(zhì)量評測79ttt1ttCfCiC=+……….………………（公式4.6）通過輸出門，計算輸出ht。首先利用σ層計算一個輸出概率ot，再結(jié)合當前時刻的細胞狀態(tài)Ct獲得最終的輸出信息，具體公式如下所示。其中Wo為權(quán)重系數(shù)，bo為偏置常量。()1,tottooWhxb=+……….………………（公式4.7）tanh()ttth=oC……….………………（公式4.8）（3）門控循環(huán)單元GRU門控循環(huán)單元（GatedRecurrentUnit，GRU）是由ChoK于2014年提出的一種LSTM神經(jīng)網(wǎng)絡(luò)的變體[1]。它簡化了LSTM模型的“三門”結(jié)構(gòu)，去除了細胞狀態(tài)的更新，采用重置門與更新門的雙門結(jié)構(gòu)，可以有效防止LSTM過擬合的問題，同時提升神經(jīng)網(wǎng)絡(luò)的學習效率，其具體學習流程如圖4.5所示。圖4.5重置門與更新門結(jié)構(gòu)GRU網(wǎng)絡(luò)的學習具體步驟為：通過更新門決定哪些信息將被傳遞到當前的隱層狀態(tài)ht中，用以更新下一代的隱層信息。其中zt為更新概率，Wz為權(quán)重矩陣，ht-1為上一時刻的隱層狀態(tài)，xt為當前時刻的輸入。()1,tzttzWhx=……….………………（公式4.9）通過重置門決定上一時刻的隱層信息中有多少需要被遺忘，用以更新當前記憶內(nèi)容。其中Wr為權(quán)重系數(shù)，rt為重置門輸出概率。[1]ChoK,VanMerrienboerB,GulcehreC,etal.LearningPhraseRepresentationsusingRNNEncoder-DecoderforStatisticalMachineTranslation[J].ComputerScience,2014.

【參考文獻】：
期刊論文
[1]漢語句法分析中的論元關(guān)系模型研究[J]. 劉作國,陳笑蓉.  南京大學學報(自然科學). 2019(06)
[2]基于短語級情感分析的不良信息檢測方法[J]. 明弋洋,劉曉潔.  四川大學學報(自然科學版). 2019(06)
[3]利用語義信息的句法分析統(tǒng)計模型[J]. 袁里馳.  小型微型計算機系統(tǒng). 2019(10)
[4]攝影領(lǐng)域評論情感詞典構(gòu)建方法[J]. 劉亞橋,陸向艷,鄧凱凱,阮開棟,劉峻.  計算機工程與設(shè)計. 2019(10)
[5]基于類別特征擴展的短文本分類方法研究[J]. 邵云飛,劉東蘇.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2019(09)
[6]新媒體背景下如何提升學術(shù)期刊的品牌影響力[J]. 薩日娜.  傳播力研究. 2019(27)
[7]基于模糊機制和語義密度聚類的漢語自動語義角色標注研究[J]. 王旭陽,朱鵬飛.  計算機應(yīng)用與軟件. 2019(09)
[8]新媒體語境下科技期刊傳播效果影響因素分析[J]. 甄偉鋒.  中國科技期刊研究. 2019(08)
[9]大眾性問答社區(qū)答案質(zhì)量排序方法研究[J]. 易明,張婷婷.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2019(06)
[10]基于用戶畫像的UGC質(zhì)量預判模型[J]. 金燕,孫佳佳.  情報理論與實踐. 2019(10)

博士論文
[1]社會化電子商務(wù)用戶信息采納過程及影響因素研究[D]. 耿榮娜.吉林大學 2017
[2]社會媒體信息推薦關(guān)鍵技術(shù)研究[D]. 李洋.哈爾濱工業(yè)大學 2017
[3]學術(shù)新媒體信息服務(wù)模式與服務(wù)質(zhì)量評價研究[D]. 李宇佳.吉林大學 2017
[4]基于關(guān)聯(lián)數(shù)據(jù)的數(shù)字圖書館資源聚合與服務(wù)研究[D]. 伍革新.華中師范大學 2013
[5]面向網(wǎng)絡(luò)社區(qū)問答對的語義挖掘研究[D]. 王寶勛.哈爾濱工業(yè)大學 2013
[6]基于產(chǎn)品評論的情感分析研究[D]. 李方濤.清華大學 2011
[7]個性化推薦技術(shù)中的協(xié)同過濾算法研究[D]. 夏培勇.中國海洋大學 2011
[8]基于網(wǎng)絡(luò)方法的專家知識推薦[D]. 許云紅.中國科學技術(shù)大學 2010

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的微博觀點檢測方法研究[D]. 韓玉鑫.新疆大學 2019
[2]基于語義信息的名詞短語指代消歧研究[D]. 張江.新疆大學 2019
[3]社交電商平臺用戶行為研究[D]. 樊雨青.山東師范大學 2019
[4]基于詞嵌入的個性化新聞推薦算法研究[D]. 李魯君.上海師范大學 2019
[5]基于文本主題的社會化問答平臺知識網(wǎng)絡(luò)研究[D]. 陳曉威.南京大學 2019
[6]基于雙語主題詞嵌入模型的中朝跨語言文本分類方法的研究[D]. 田明杰.延邊大學 2019
[7]維吾爾語名詞短語指代消歧研究[D]. 陶豆豆.新疆大學 2018
[8]基于關(guān)聯(lián)數(shù)據(jù)的漢語專利信息資源聚合研究[D]. 馬曉暉.河北大學 2017
[9]虛擬社區(qū)用戶持續(xù)知識共享行為研究[D]. 張曉亮.浙江工商大學 2015
[10]問答社區(qū)用戶知識分享行為的動機研究[D]. 張體慧.中國礦業(yè)大學 2014



本文編號：3319439