首页期刊导航|中文信息学报
期刊信息/Journal information
中文信息学报
中文信息学报

孙茂松

双月刊

1003-0077

cips@iscas.ac.cn

010-62562916

100190

北京海淀区中关村南四街4号

中文信息学报/Journal Journal of Chinese Information ProcessingCHSSCDCSCD北大核心CSTPCD
查看更多>>本刊于1986年创刊，是经国家科委批准，由中国科学技术协会主管，中国中文信息学会和中国科学院软件研究所合办的学术性刊物，是中国中文信息学会会刊。《中文信息学报》是《中文核心期刊要目总览》自动化、计算机技术类的核心刊物。国内外公开发行。它及时反映我国中文信息处理的学术水平，重点刊登我国中文信息处理基础理论与应用技术研究的学术论文，以及相关的综述、研究成果、技术报告、书刊评论、专题讨论、国内外学术动态等。从本刊刊登的文章中可以及时了解我国最新的中文信息处理水平和学术动向。所刊登的文章多数得到了国家或省、部级重大科技项目、攻关项目及自然科学和社会科学基金的资助。
正式出版
收录年代

    面向视觉问答的上下文感知多模态交互网络

    颜洪黄青松刘利军
    106-114页
    查看更多>>摘要：近年来,视觉问答已经引起研究人员的广泛关注.现有的方法通过视觉与语言模态之间的密集交互以捕捉两种模态之间的高层语义信息,然而这些方法仅单独考虑单个词与视觉区域之间的关系,忽略了上下文信息来计算模态之间的依存关系.针对此问题,该文提出了一种上下文感知的多模态交互网络,通过融合上下文信息增强模态内与模态间的信息交互,提高视觉问答的推理能力.该文在大规模基准数据集VQA v2.0上进行了一系列对比实验与消融实验,实验结果表明,该方法在视觉问答任务上能够取得比当前主流的方法更高的准确率.

    视觉问答注意力机制多模态交互网络

      原文链接:
    • 万方数据
    • 维普

    融合超图卷积和自监督协同训练的组推荐算法

    刘静文刘渊袁琮淇
    115-126,136页
    查看更多>>摘要：随着社交媒体的普及,人们逐渐将研究方向从个人推荐算法转移到群组推荐算法,现有的群组推荐模型大多采用启发式或基于注意力的偏好聚合策略聚合群组成员的个人偏好形成群组偏好.然而,由于用户交互数据的稀疏性,学习后的用户特征并不完备,现实生活中用户的交互非常复杂,而且用户关系有可能是高阶的;再者,群组之间的相似性和群组间共同成员的个人偏好经常被忽视,而群组相似性的学习对于提高群组表征学习具有很大的潜力.针对上述问题,该文设计了一种融合超图卷积和自监督协同训练的组推荐算法(HCSC).首先,在用户级超图中,利用三个通道编码超图卷积网络中的高阶用户关系,通过聚合多个通道学习的用户特征,获得增强的用户表示,这为学习群组偏好提供了坚实的基础.其次,在组级超图中,将所有的群组连接为重叠网络,并关注群组共同成员的个人偏好,其超边嵌入过程可视为对群组偏好的学习.为进一步增强群组表示,将自监督学习和协同训练相结合,在上述两个超图上构建两个不同的图编码器,递归地利用不同信息生成标注样本,通过对比学习策略互相监督,与丢弃策略相比,所提出的自监督协同训练保留了完整信息,实现了真正的数据增强.该文提出的HCSC模型在两个真实世界的数据集上进行了广泛的实验,实验结果证明了该文提出的HCSC模型的优越性.

    群组推荐超图卷积自监督学习协同训练对比学习

      原文链接:
    • 万方数据
    • 维普

    多尺度行为路径自注意力机制推荐算法

    曹浩东汪海涛贺建峰陈星...
    127-136页
    查看更多>>摘要：基于自注意力机制的序列推荐算法在捕获用户交互序列的全局特征方面表现出了强大的能力,得到了广泛应用.然而交互序列当中只有一部分关键行为会对用户未来行为的演化起到决定性作用,其余冗余的噪声行为会干扰推荐结果的准确性.同时,单一尺度的自注意力机制难以从不同粒度上捕获用户行为.该文提出基于行为路径的多尺度自注意力机制序列推荐算法,在不同粒度上动态地捕获对最终推荐起到决定性作用的行为演化模式,屏蔽冗余的非关键行为,提高了推荐系统的用户体验.该模型在三个公开数据集上与同类型方法进行比较,实验结果显示,该文所提出的算法在不同的评估指标上较基线方法均有一定的提升,验证了模型的有效性.

    序列推荐自注意力机制行为路径

      原文链接:
    • 万方数据
    • 维普

    基于互信息最大化和对比损失的多模态情绪识别模型

    黎倩尔黄沛杰陈佳炜吴嘉林...
    137-146页
    查看更多>>摘要：多模态的对话情绪识别(Emotion Recognition in Conversation,ERC)是构建情感对话系统的关键.近年来,基于图的融合方法在会话中动态聚合多模态上下文特征,提高了模型在多模态对话情绪识别方面的性能.然而,这些方法都没有充分保留和利用输入数据中的有价值的信息.具体地说,它们都没有保留从输入到融合结果的任务相关信息,并且忽略了标签本身蕴含的信息.为了解决上述问题,该文提出了 一种基于互信息最大化和对比损失的多模态对话情绪识别模型(Multimodal ERC with Mutual Information Maximization and Contrastive Loss,MMIC).模型通过在输入级和融合级上分级最大化模态之间的互信息(Mutual Information),使任务相关信息在融合过程中得以保存,从而生成更丰富的多模态表示.该文还在基于图的动态融合网络中引入了监督对比学习(Supervised Contrastive Learning),通过充分利用标签蕴含的信息,使不同情绪相互排斥,增强了模型识别相似情绪的能力.在两个英文和一个中文的公共数据集上的大量实验证明了该文所提出模型的有效性和优越性.此外,在所提出模型上进行的案例探究有效地证实了模型可以有效保留任务相关信息,更好地区分出相似的情绪.消融实验和可视化结果证明了模型中每个模块的有效性.

    多模态对话情绪识别图卷积网络互信息监督对比学习

      原文链接:
    • 万方数据
    • 维普

    基于融合对抗网络的方面级情感分类方法

    张华辉冯林荆沁璐
    147-157页
    查看更多>>摘要：方面级情感分类是一种细粒度的情感分析任务,旨在分类出文本中不同方面的情感.目前,现有方面级情感分类模型存在特征提取层次浅、泛化能力弱等问题.为此,该文提出一种基于融合对抗网络的方面级情感分类模型 ASFAN(Aspect-level Sentiment classification model based on Fusion Adversarial Networks).首先,从数据集中提取文本的方面词、位置、上下文信息表示.其次,将方面词、位置、上下文信息通过BERT编码.最后,通过多头注意力和局部注意力机制提取文本特征,将特征进行融合学习.此外,通过对抗学习算法生成对抗样本,将对抗样本作为一种文本数据增强样本,优化决策边界.实验结果表明,在SemEval 2014的Restaurant、Laptop数据集和ACL-2014的Twitter数据集上,ASFAN的准确率分别达86.54％、79.15％、76.16％,ASF AN对比大多数基线模型性能提升显著.

    方面级情感分类注意力机制融合对抗网络BERT对抗样本

      原文链接:
    • 万方数据
    • 维普

    第二十一届自然语言处理青年学者研讨会(YSSNLP2024)顺利召开

    中国中文信息学会
    157页
      原文链接:
    • 万方数据
    • 维普

    基于擦除和生成式模型的情感可解释性分析

    陈世男葛东来沈力行徐东钦...
    158-164页
    查看更多>>摘要：情感可解释性分析是近年来比较新颖的研究方向,其目标是在预测文本的情感极性的同时给出决定情感极性的证据片段.该文在仅有情感分类任务数据集的基础上,提出了基于擦除的情感可解释性片段抽取方法,通过被擦除单词对情感极性逻辑判断的波动影响来决定证据的抽取.随后,利用擦除的方法使用模型对公开情感分析数据集中的部分数据进行片段抽取并人工过滤得到有监督数据,再使用T5序列生成式模型进行有监督训练,从而进一步提升证据抽取的性能.最终在"百度2022语言与智能技术竞赛:情感可解释评测"中获得第三名的成绩.

    情感可解释性基于擦除序列生成式模型

      原文链接:
    • 万方数据
    • 维普