• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    多特征融合的可移植謠言早期檢測模型

    2020-10-09 11:17:11孫王斌
    計(jì)算機(jī)時(shí)代 2020年9期

    摘要:針對(duì)當(dāng)前諸多網(wǎng)絡(luò)平臺(tái)的謠言泛濫現(xiàn)象,提出結(jié)合長短期記憶(Long-short Term Memory,LSTM)網(wǎng)絡(luò)與支持向量機(jī)(Support Vector Machine,SVM)的可移植謠言早期檢測模型。將謠言文本轉(zhuǎn)換為向量序列,通過LSTM網(wǎng)絡(luò)挖掘謠言文本的深層特征,并引入有效度、敏感度與熱度特征.通過SVM融合訓(xùn)練擬合表明,該模型在多平臺(tái)數(shù)據(jù)集上表現(xiàn)出良好的預(yù)測結(jié)果。

    關(guān)鍵詞:謠言檢測;可移植;LSTM; SVM

    中圖分類號(hào):TP391.1

    文獻(xiàn)標(biāo)識(shí)碼:A

    文章編號(hào):1006-8228(2020)09-11-06

    Rumor early detection model with multi-feature merged and portability

    Sun Wanebin

    (Central South University, School of Cornputer Science and Engineering, Changsha, Hunan 410012. China)

    Abstract: In view of the phenomenon of rumor overspreading among many platforms, a portable rumor early detection model withthe combination of Long-short Term Memory (LSTM) network and Support Vector Machine (SVM) is proposed. Vector sequencesconverted from rumor corpus are fed into LSTM network to mine the hidden text feature. Effectiveness, sensitivity and heatfeatures of rumor corpus are introduced and merged by SVM training. The experimental results show that the model performs wellin multi-platform dataset.

    Key words: rumor detection; portable; LSTM; SVM

    0引言

    隨著社會(huì)經(jīng)濟(jì)、文化的快速發(fā)展,截止到2018年底,我國互聯(lián)網(wǎng)普及率達(dá)59.6%,網(wǎng)民規(guī)模達(dá)到8.29億。互聯(lián)網(wǎng)技術(shù)的進(jìn)步,極大增強(qiáng)了網(wǎng)絡(luò)信息的流動(dòng)性和擴(kuò)散性[1]。網(wǎng)絡(luò)信息質(zhì)量參差不齊及監(jiān)管機(jī)制的缺乏,導(dǎo)致網(wǎng)絡(luò)謠言肆意傳播。謠言泛濫致使人們難以甄別信息可信程度,對(duì)人們的正常生活秩序造成影響,甚至引起經(jīng)濟(jì)損失及社會(huì)動(dòng)蕩。近年來,各大新聞網(wǎng)站及社交平臺(tái)積極推出官方辟謠平臺(tái),如新浪微博辟謠平臺(tái)或中國互聯(lián)網(wǎng)聯(lián)合辟謠平臺(tái)(以下簡稱聯(lián)合辟謠平臺(tái))。然而,上述平臺(tái)需要大量專業(yè)人士花費(fèi)大量時(shí)間驗(yàn)證,并且平臺(tái)資源差異大、謠言重復(fù)率高,更加重了驗(yàn)證負(fù)擔(dān)。因此如何在各平臺(tái)謠言傳播初期進(jìn)行通用有效的自動(dòng)檢測,對(duì)于輔助人工驗(yàn)證、降低謠言危害和維護(hù)社會(huì)穩(wěn)定具有重要意義。

    1相關(guān)研究

    目前謠言檢測主要為二分類問題,即1代表謠言,0代表非謠言。該問題最先由Yahoo實(shí)驗(yàn)室研究員Castillo[2]通過對(duì)Twitter上的tweet進(jìn)行整理后于2011年提出,并提出基于用戶特征、傳播特征和用戶特征的決策樹分類模型,以此判斷事件的真實(shí)性。2012年,Yang等人[3]首次基于新浪微博平臺(tái)進(jìn)行謠言檢測,引入了用戶終端類型和用戶位置兩個(gè)新的統(tǒng)計(jì)特征,并通過對(duì)真實(shí)微博數(shù)據(jù)集的測試證明了上述新特征的有效性。2016年,毛二松等人[4]提出了一種基于深層特征和繼承分類器的微博謠言檢測方法,利用微博情感傾向、微博傳播過程及微博用戶歷史信息等深層分類特征對(duì)集成分類器進(jìn)行訓(xùn)練,有效提高了微博辟謠性能。2019年,王志宏[5]、過戈提出將事件流行度、模糊度和流傳度作為微博謠言事件檢測分類器的三項(xiàng)新特征,使謠言事件自動(dòng)檢測效果得到了可觀提升。

    近年來,深度神經(jīng)網(wǎng)絡(luò)在文本分類、圖像處理等方面表現(xiàn)優(yōu)異,自然語言處理(Natural LanguageProcessing,NLP)領(lǐng)域也越趨成熟。2016年,Ma等人[6]首次提出使用循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent NeuralNetwork,RNN)學(xué)習(xí)微博謠言中的深層特征,捕獲相關(guān)微博的上下文信息隨時(shí)間的變化,在真實(shí)微博數(shù)據(jù)集上的測試表明,該方法的準(zhǔn)確率較傳統(tǒng)檢測方法而言取得進(jìn)一步提高。李力釗[7]等人提出基于C-GRU模型的微博謠言事件檢測方法,充分考慮了微博語句的句義特征與微博事件中的微博序列相關(guān)特征,有效提高了檢測準(zhǔn)確率。

    雖然現(xiàn)有研究已取得一定成果,但仍存在以下幾點(diǎn)問題。

    (1)純傳統(tǒng)機(jī)器學(xué)習(xí)方法需要人為構(gòu)造大量特征,增強(qiáng)了主觀性。

    (2)研究平臺(tái)單一,影響模型泛化能力與可移植性。

    (3)所依賴的傳播模式、評(píng)論轉(zhuǎn)發(fā)等特征具有時(shí)延性,在謠言高速傳播窗口期后才能發(fā)揮作用,無法完成早期檢測。

    針對(duì)上述問題,本文提出多特征融合的可移植謠言早期檢測模型。該模型結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)挖掘謠言文本特征以提高特征工程質(zhì)量與模型性能,在剔除時(shí)延特征同時(shí)引入有效度、敏感度、熱度三大通用淺層特征保證早期檢測能力,利用SVM進(jìn)行融合訓(xùn)練,最終在多平臺(tái)驗(yàn)證集上得到88%預(yù)測準(zhǔn)確率。

    2多特征融合的可移植謠言早期檢測模型

    謠言早期檢測模型流程如圖l所示,記謠言事件語料集合為T={t1,t2,…,tm},其中ti(1≤i≤m)代表某一主題的謠言語料。本文首先結(jié)合預(yù)處理過程提取出有效度、敏感度等淺層特征,再將已處理語料通過NLP技術(shù)轉(zhuǎn)換為向量序列輸入LSTM網(wǎng)絡(luò)中學(xué)習(xí)謠言文本特征,同時(shí)利用網(wǎng)絡(luò)爬蟲技術(shù)獲取熱度特征,最后融合所有特征,構(gòu)建SVM模型進(jìn)行訓(xùn)練,實(shí)現(xiàn)謠言自動(dòng)檢測。

    2.1淺層特征構(gòu)建

    本節(jié)將對(duì)除文本特征外的淺層特征計(jì)算方式進(jìn)行介紹,包括普通特征與引入特征。

    2.1.1符號(hào)特征

    該特征是對(duì)語料中符號(hào)出現(xiàn)次數(shù)與占比的綜合,符號(hào)包括超鏈接、感嘆號(hào)等。謠言語料中常重復(fù)加入符號(hào)用于加重語氣、博人眼球,如聯(lián)合辟謠平臺(tái)發(fā)布的十大熱點(diǎn)謠言中便出現(xiàn)以“《郵政編碼要取消了?……》”為題的謠言。利用式(1)對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析得到結(jié)果如表1所示,結(jié)果表明謠言語料符號(hào)平均占比約為非謠言語料的2.5倍,存在明顯差距。

    f(t)=len(t)-len(t')/c+len(t)-len(t')/len(t) (1)其中t表示輸入語料,t'表示刪除符號(hào)后的語料,len表示語料長度,C為自定義參數(shù)。

    2.1.2情感特征

    該特征指語料的情感正向程度。首歡容等人[8]在2017年提出一種基于情感詞典的網(wǎng)絡(luò)謠言識(shí)別方法,在假設(shè)高質(zhì)量信息源信息更可靠的情況下,對(duì)特定類型謠言識(shí)別取得了較好成果。而情感詞典缺乏可移植性,因此本文采用NLP科學(xué)工具SnowNLP計(jì)算情感值,其輸出范圍為[0,1】,輸出值越大表示情感越趨于正向。隨機(jī)選取謠言、非謠言樣本各50條利用SnowNLP計(jì)算情感值發(fā)現(xiàn)謠言與非謠言語料平均情感值分別為0.59和0.75,表明非謠言語料較謠言語料而言情感更為積極。

    2.1.3有效度特征

    該特征指語料信息的有效程度,本文采用語料中的停用詞數(shù)量進(jìn)行表示。停用詞處理是許多文本處理應(yīng)用(如信息檢索)中最重要的任務(wù)之一[9],可以節(jié)省存儲(chǔ)空間和提高搜索效率。停用詞通常不代表具體含義[10],因此語料中停用詞數(shù)量在一定程度上體現(xiàn)了有效信息的占比,而以往研究沒有進(jìn)行利用。本文以哈工大停用詞為主體構(gòu)建了1677個(gè)停用詞,對(duì)語料集進(jìn)行統(tǒng)計(jì)得到結(jié)果如表2所示,證明該特征可以有效區(qū)分謠言與非謠言。

    2.1.4敏感度特征

    該特征指語料信息的敏感程度,以語料中敏感詞含量定量表示。敏感詞是在謠言中高頻出現(xiàn)的詞語,如“震驚”、“驚呆”以及帶有性暗示的詞語等。而網(wǎng)絡(luò)文化的發(fā)展與輿論監(jiān)管機(jī)制的完善更讓這一特征顯得復(fù)雜,縮寫、變換字體、改用諧音等逃脫檢測的手法層出不窮。本文對(duì)健康、政治及兩性等領(lǐng)域的敏感詞及變體進(jìn)行搜集并構(gòu)建敏感詞庫,利用詞庫對(duì)語料庫統(tǒng)計(jì)分析發(fā)現(xiàn),謠言中敏感詞的數(shù)量遠(yuǎn)高于非謠言,詳細(xì)結(jié)果如表3所示。

    其特征計(jì)算公式如下:

    f(t)=1/k∑k i=1 ∪Swi t (2)其中t為輸入文本,K為敏感詞總數(shù),∪Swi t為敏感詞Swi在語料中的出現(xiàn)次數(shù)。

    2.1.5熱度特征

    該特征指語料在網(wǎng)絡(luò)環(huán)境中的熱度值。為保證各平臺(tái)衡量標(biāo)準(zhǔn)一致,本文以語料于百度搜索引擎中的搜索次數(shù)表示。本文在數(shù)據(jù)收集過程中發(fā)現(xiàn)謠言語料多由個(gè)體發(fā)布,往往通過更改人物、地點(diǎn)等進(jìn)行重復(fù)傳播以提升熱度,因此具有一定熱度基礎(chǔ)。非謠言語料則主要由個(gè)體或官方發(fā)布,而官方平臺(tái)的存在會(huì)造成較大的熱度差異。隨機(jī)選取謠言、非謠言語料各5000條,得到熱度分布如圖2所示。圖中結(jié)果證明了特征的有效性,當(dāng)熱度值較低時(shí),謠言語料頻數(shù)遠(yuǎn)高于非謠言語料;而隨著熱度值增加,非謠言語料頻數(shù)則普遍高于謠言語料。

    2.2基于LSTM的謠言深層文本特征構(gòu)建

    文本是謠言信息的主要載體與直觀體現(xiàn)。喻國明[11]基于騰訊大數(shù)據(jù)篩選鑒定的6000+謠言語料,對(duì)謠言語料的敘事結(jié)構(gòu)、議題場景構(gòu)筑及標(biāo)題特征進(jìn)行了詳細(xì)分析,反映出謠言文本特征的復(fù)雜性與重要性,體現(xiàn)了廣泛的分析意義與應(yīng)用價(jià)值??紤]到人為構(gòu)造特征的不完備性,本文采用LSTM神經(jīng)網(wǎng)絡(luò)[12]對(duì)謠言深層文本特征進(jìn)行學(xué)習(xí)。

    LSTM模型構(gòu)建過程如圖3所示,本文將其劃分為四大模塊:輸入模塊、LSTMl模塊、LSTM2模塊和分類模塊。輸入模塊負(fù)責(zé)接收輸入語料以及進(jìn)行向量化操作;LSTM1模塊負(fù)責(zé)對(duì)來自輸入模塊的向量矩陣進(jìn)行語義適應(yīng);LSTM2模塊利用LSTM1模塊輸出矩陣進(jìn)行強(qiáng)化學(xué)習(xí),深層次挖掘謠言文本特征;分類模塊根據(jù)LSTM2模塊的輸出進(jìn)行分類總結(jié),得出分類結(jié)果,詳細(xì)步驟如下。 (1)輸入模塊將預(yù)處理后的謠言語料序列作為輸入,經(jīng)分詞得到詞序列集合Ws={W1,W2,…,Wm}。設(shè)置詞數(shù)閾值Th,對(duì)于詞序列Wi(1≤i≤m)采用截?cái)嘌a(bǔ)齊策略保證數(shù)據(jù)規(guī)整性。利用預(yù)訓(xùn)練Word2Vec詞向量模型,將詞語轉(zhuǎn)化為低維稠密向量,詞序列Wi則對(duì)應(yīng)轉(zhuǎn)換為矩陣Mebd∈RTh*D,其中D為詞向量模型中的向量維度,則文本集合可轉(zhuǎn)換為Ws∈Rm*Th*D。圖4以m=4,Th=5,D=4為例kk直觀展現(xiàn)了上述過程。

    (2)LSTMl模塊將Ws作為輸入序列,通過LSTM單元進(jìn)行語境自適應(yīng),將詞向量維度更新為D,得到新的語料集合表示:

    Ws=Ω(f(Ws·U1+b)

    (3)其中f為Relu函數(shù),U1為網(wǎng)絡(luò)權(quán)重,b為偏置項(xiàng),Ω為防止模型過擬合的Dropout操作。

    (3)LSTM2模塊利用LSTMl模塊的輸出進(jìn)行擬合訓(xùn)練。對(duì)于謠言文本Ti,LSTM單元綜合其詞向量序列Wsi,提取句意、句式等隱藏特征,并將結(jié)果融合為窗口大小為D。的一維向量,最后通過Dropout層得到特征序列為

    (4)其中Ω為Dropout操作,g為Softsign函數(shù),U2為網(wǎng)絡(luò)權(quán)重,b為偏置項(xiàng)。

    (4)分類模塊使用Sigmoid函數(shù)將LSTM2模塊最后時(shí)間步的輸出轉(zhuǎn)換為對(duì)應(yīng)謠言與非謠言的分類概率p,其即為文本特征值,p值越大表示語料為謠言的概率越高。

    2.3SVM模型構(gòu)建

    在保證學(xué)習(xí)性能的同時(shí),本文融合深、淺層特征構(gòu)建特征向量,采用傳統(tǒng)機(jī)器學(xué)習(xí)模型SVM進(jìn)行擬合以提高物理性能。作為機(jī)器學(xué)習(xí)中流行且功能強(qiáng)大的監(jiān)督分類器,SVM已經(jīng)成功應(yīng)用于模式挖掘、計(jì)算機(jī)視覺和信息檢索等領(lǐng)域[13]。

    SVM可以應(yīng)用于可分離和不可分離的數(shù)據(jù)集[14]。令向量xi為文本Ti的特征向量,yi為謠言標(biāo)簽,則數(shù)據(jù)集Xtrain可表示為

    Xtrain=(5)

    考慮到數(shù)據(jù)來自多個(gè)平臺(tái),相互之間容易造成噪音干擾導(dǎo)致線性不可分,本文采用高斯徑向基函數(shù)(Radial Basis Function,RBF)作為核函數(shù)K,該函數(shù)可將樣本從原始空間映射到高維空間,使得樣本在高維空間中線性可分。

    3實(shí)驗(yàn)過程與結(jié)果分析

    3.1實(shí)驗(yàn)數(shù)據(jù)

    微博與微信作為目前國內(nèi)頂級(jí)流量平臺(tái),其數(shù)億級(jí)的用戶群體使得其中流動(dòng)著海量信息,其中不乏網(wǎng)絡(luò)謠言。2018年聯(lián)合辟謠平臺(tái)正式上線,至今已精確辟謠數(shù)千條網(wǎng)絡(luò)謠言。此外,各大論壇及直播平臺(tái)均有謠言滋生。因此,本文將從上述平臺(tái)采集實(shí)驗(yàn)所需謠言數(shù)據(jù)。同時(shí),為保證數(shù)據(jù)合理性,本文從網(wǎng)絡(luò)開源新聞數(shù)據(jù)集中抽取部分語料作為非謠言數(shù)據(jù)。結(jié)合網(wǎng)絡(luò)爬蟲與正則表達(dá)式技術(shù),最終,經(jīng)聚類去重處理,為謠言識(shí)別任務(wù)構(gòu)建的數(shù)據(jù)集分布情況如表4。

    3.2超參數(shù)優(yōu)化與實(shí)驗(yàn)結(jié)果

    本文需要訓(xùn)練兩個(gè)模型:計(jì)算文本特征的LSTM模型和融合多特征的SVM模型。隨機(jī)選取12000條數(shù)據(jù)作為訓(xùn)練集,2000條數(shù)據(jù)作為交叉集,3000條數(shù)據(jù)作為驗(yàn)證集。

    3.2.1LSTM模型實(shí)驗(yàn)結(jié)果

    該模型用于學(xué)習(xí)謠言深層文本特征。設(shè)置詞向量維度D為180,文本分詞后的詞數(shù)閾值Th為100,LSTM1模塊輸出維度為100×64,LSTM2模塊輸出維度為1×64。模型損失函數(shù)采用Binary_crossentropy函數(shù),并使用自適應(yīng)矩估計(jì)優(yōu)化器(Adam)對(duì)模型進(jìn)行優(yōu)化。設(shè)兩層Dropout值為Dr1與Dr2,篩選范圍均為0.2-0.5,以0.1為調(diào)整步長。設(shè)置洲練一交叉集迭代次數(shù)為10,圖5呈現(xiàn)的Dropout參數(shù)調(diào)優(yōu)過程表明Dr1=0.5、Dr2=0.4時(shí)達(dá)到最優(yōu)性能,其對(duì)應(yīng)洲練過程如圖6所示。

    圖6表明第8次迭代時(shí),交叉集損失值達(dá)到最低隨后開始增加造成過擬合,說明模型達(dá)到最優(yōu),最終在驗(yàn)證集中取得80%預(yù)測準(zhǔn)確率,詳細(xì)評(píng)測結(jié)果見表5。

    3.2.2SVM模型實(shí)驗(yàn)結(jié)果

    為進(jìn)一步提高模型性能,利用SVM融合上述特征進(jìn)行訓(xùn)練。基于RBF核函數(shù)的SVM中參數(shù)C與σ的搭配很大程度上決定了模型性能,因此本文將C與σ范圍縮小為[1,100]后,采用網(wǎng)格搜索確定其最佳組合為C=30,σ=40,結(jié)果如圖7所示。

    以迭代步數(shù)為自變量繪制模型對(duì)應(yīng)準(zhǔn)確率曲線如圖8所示,當(dāng)?shù)綌?shù)達(dá)到5000步時(shí),模型逐漸收斂達(dá)到最佳性能,最終取得88%準(zhǔn)確率,相對(duì)僅使用文本特征的LSTM模型提高了8%。

    3.2.3對(duì)比分析

    令R表示謠言,NR表示非謠言,使用如下方法與本文提出方法進(jìn)行對(duì)比。

    (1)王志宏[5]等提出的動(dòng)態(tài)時(shí)序特征表示方法和三項(xiàng)新特征的檢測方法SVMDTSall。

    (2) Ma等人[6]使用的tanh-RNN、LSTM、GRU檢測方法。

    結(jié)果如表6所示,如第1章所述,本研究主要采用微博或Twitter數(shù)據(jù)進(jìn)行檢測,而人們?cè)诓煌脚_(tái)針對(duì)某一事件的表現(xiàn)形式存在一定差異,對(duì)模型可移植性造成影響。本文在平臺(tái)差異性增強(qiáng)了數(shù)據(jù)集噪音的情況下,進(jìn)一步將準(zhǔn)確率提高到了88%,證明了模型的謠言早期檢測能力以多平臺(tái)間的可移植性。

    4結(jié)束語

    作為互聯(lián)網(wǎng)時(shí)代的消極產(chǎn)物,網(wǎng)絡(luò)謠言對(duì)個(gè)人、社會(huì)和國家?guī)砹司薮笥绊?。本文提出多特征融合的可移植謠言早期檢測模型摒棄傳統(tǒng)的時(shí)延特征,引入常被以往研究忽略的有效度、敏感度、熱度特征;結(jié)合深度神經(jīng)網(wǎng)絡(luò)挖掘謠言深層文本特征,進(jìn)一步增強(qiáng)了對(duì)謠言語料的表征能力。在對(duì)多平臺(tái)數(shù)據(jù)集的測試表明,本文所提出的模型展現(xiàn)了可觀的謠言早期檢測能力,并表現(xiàn)出更為優(yōu)秀的可移植性。下一步工作中我們將獲取更大數(shù)據(jù)集,對(duì)數(shù)據(jù)進(jìn)行深度分析,發(fā)現(xiàn)網(wǎng)絡(luò)謠言更有效的特性以提高模型準(zhǔn)確率。除此之外,謠言傳播方式繁多,如圖片、視頻等,因此僅考慮文本形式的謠言存在一定局限性,需要進(jìn)一步地思考如何將其進(jìn)行融合以達(dá)到更好的檢測效果。

    參考文獻(xiàn)(References):

    [1]張鵬,蘭月新,李昊青等,基于認(rèn)知過程的網(wǎng)絡(luò)謠言綜合分類方法研究[J],圖書與情報(bào),2016.4:8-15

    [2]Castillo C,Mendoza M,Poblete B.Information credibilityon twitter [C]// Proceedings of the 20th internationalconference on world wide web. ACM,2011:675-684.

    [3]Yang F,Liu Y, Yu X, et al. Automatic detection of rumoron Sina Weibo[C]//Proceedings of the ACM SIGKDDWorkShop on Mining Data Semantics. ACM,2012:13

    [4]毛二松,陳剛,劉欣等,基于深層特征和集成分類器的微博謠言檢測研究[J].計(jì)算機(jī)應(yīng)用研究,2016.33(11):3369-3373

    [5]王志宏,過弋.微博謠言事件自動(dòng)檢測研究[J].中文信息學(xué)報(bào),2019.33(6):132-140

    [6] Ma J,Gao W, Wong K, et a/ Detecting rumors frommicroblogs with recurrent neural networks[C]// InProceedings of the Twenty-Fifth International JointConference on Artificial Intelligence. New York: AAAIPress,2016:3818-3824

    [7]李力釗,蔡國永,潘角,基于C-GRU的微博謠言事件檢測方法[J].山東大學(xué)學(xué)報(bào):工學(xué)版,2019.49(2):102-106,115

    [8]首歡容,鄧淑卿,徐健,基于情感分析的網(wǎng)絡(luò)謠言識(shí)別方法[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn),2017.1(7):44-51

    [9] Mohammad S,Jesus V. Automatic identification of lightstop words for Persian information retrieval systems.Journal of Information Science,40(4):476-487

    [10] Kaur J,R. Saini J.Punjabi Stop Words:A Gurmukhi,Shahmukhi and Roman Scripted Chronicle. InProceedings of the ACM Symposium on Women inResearch 2016. ACM,2016:32-37

    [11]喻國明,網(wǎng)絡(luò)謠言的文本結(jié)構(gòu)與表達(dá)特征——基于騰訊大數(shù)據(jù)篩選鑒定的6000+謠言文本的分析[J],新聞與寫作,2018.2:53-59

    [12]Hochreiter S, Schmidhuber J. Long Short-TermMemoW. Neural Comput,1997.46:1735-1780

    [13] Cheng Fan, Chen Jiabin, Qiu Jianfen. et a/.A subregiondivision based multi-objective evolutionary algorithm forSVM training set selection[J].Neurocomputing,2020.

    [14]Mary Francis L Sreenath N. TEDLESS-Text detectionusing least-square SVM from natural scene[J].Journal of King Saud University-Computer andInformation Sciences,2020.32(3).

    收稿日期:2020-04-26

    作者簡介:孫王斌(1998-),男,江西宜春人,本科生,主要研究方向:自然語言處理。

    亚洲国产色片| av.在线天堂| 亚洲成人中文字幕在线播放| 91在线精品国自产拍蜜月| 国产麻豆成人av免费视频| 国产大屁股一区二区在线视频| 搞女人的毛片| 国产午夜精品久久久久久一区二区三区| 国产一区二区亚洲精品在线观看| 人妻系列 视频| 天堂网av新在线| 伊人久久精品亚洲午夜| 人人妻人人看人人澡| 日韩精品有码人妻一区| 日韩中字成人| 国产午夜福利久久久久久| 国产高潮美女av| 国产成人一区二区在线| 久久这里有精品视频免费| 青春草视频在线免费观看| 午夜免费观看性视频| 人人妻人人看人人澡| 国产成人一区二区在线| 少妇熟女aⅴ在线视频| 女人久久www免费人成看片| 一个人看的www免费观看视频| 欧美最新免费一区二区三区| 99视频精品全部免费 在线| 精品国产一区二区三区久久久樱花 | 肉色欧美久久久久久久蜜桃 | 欧美zozozo另类| 女人被狂操c到高潮| 国产精品人妻久久久久久| 国内少妇人妻偷人精品xxx网站| 免费不卡的大黄色大毛片视频在线观看 | 精品久久久久久久人妻蜜臀av| 亚洲欧美一区二区三区黑人 | 欧美激情国产日韩精品一区| 精华霜和精华液先用哪个| 日本免费a在线| 久久人人爽人人片av| 少妇的逼水好多| 国产乱人视频| 嫩草影院精品99| 麻豆精品久久久久久蜜桃| 久久久久久久久中文| 天天躁夜夜躁狠狠久久av| 最近最新中文字幕免费大全7| av国产久精品久网站免费入址| 亚洲久久久久久中文字幕| 看免费成人av毛片| 婷婷色综合大香蕉| 一区二区三区免费毛片| 亚洲天堂国产精品一区在线| 日本-黄色视频高清免费观看| 汤姆久久久久久久影院中文字幕 | 国产亚洲一区二区精品| 大香蕉久久网| 欧美日韩精品成人综合77777| 婷婷六月久久综合丁香| 午夜福利视频1000在线观看| 婷婷色av中文字幕| 中文字幕av在线有码专区| 亚洲激情五月婷婷啪啪| 国产黄片视频在线免费观看| 日本三级黄在线观看| 99久久九九国产精品国产免费| 看非洲黑人一级黄片| 91在线精品国自产拍蜜月| 国产精品久久久久久久久免| 波野结衣二区三区在线| 日韩制服骚丝袜av| 国产精品嫩草影院av在线观看| 午夜精品一区二区三区免费看| 国产午夜福利久久久久久| 亚洲熟妇中文字幕五十中出| 亚洲精品日本国产第一区| 黄色欧美视频在线观看| 婷婷色麻豆天堂久久| 我要看日韩黄色一级片| 亚洲精品乱码久久久v下载方式| 精品酒店卫生间| 九九久久精品国产亚洲av麻豆| 六月丁香七月| 免费观看精品视频网站| 黄片无遮挡物在线观看| 大片免费播放器 马上看| 亚洲av在线观看美女高潮| av天堂中文字幕网| 2018国产大陆天天弄谢| 女人被狂操c到高潮| 成人高潮视频无遮挡免费网站| eeuss影院久久| 午夜福利视频精品| 男女那种视频在线观看| 蜜臀久久99精品久久宅男| 99九九线精品视频在线观看视频| 熟妇人妻不卡中文字幕| 永久网站在线| 我要看日韩黄色一级片| 国产在线一区二区三区精| 国产老妇女一区| 国产精品一及| 欧美xxxx性猛交bbbb| 午夜免费男女啪啪视频观看| 看非洲黑人一级黄片| 欧美成人一区二区免费高清观看| 成人一区二区视频在线观看| 欧美日韩在线观看h| 久久精品久久精品一区二区三区| 亚洲精品一区蜜桃| 99久久精品国产国产毛片| 十八禁国产超污无遮挡网站| 国产黄色免费在线视频| 欧美成人a在线观看| 国产色爽女视频免费观看| 大话2 男鬼变身卡| 一级毛片久久久久久久久女| 高清在线视频一区二区三区| 男女啪啪激烈高潮av片| 国产免费视频播放在线视频 | 夫妻午夜视频| 极品教师在线视频| 成年女人看的毛片在线观看| 搡老乐熟女国产| 晚上一个人看的免费电影| 国产毛片a区久久久久| 国产精品av视频在线免费观看| eeuss影院久久| 好男人视频免费观看在线| 真实男女啪啪啪动态图| av播播在线观看一区| 日韩av在线大香蕉| 在线观看人妻少妇| 亚洲欧美精品专区久久| 最近手机中文字幕大全| 亚洲无线观看免费| 欧美bdsm另类| 亚洲欧美清纯卡通| 中文资源天堂在线| 3wmmmm亚洲av在线观看| 午夜免费激情av| 欧美97在线视频| 日日啪夜夜撸| 美女内射精品一级片tv| 久久久精品免费免费高清| 街头女战士在线观看网站| 亚洲国产精品成人综合色| 国产大屁股一区二区在线视频| 亚洲精品aⅴ在线观看| 国产高清国产精品国产三级 | 亚洲人与动物交配视频| 人人妻人人澡人人爽人人夜夜 | 蜜桃久久精品国产亚洲av| 一级毛片黄色毛片免费观看视频| 精品久久久久久久久av| 超碰97精品在线观看| 网址你懂的国产日韩在线| 在线免费观看的www视频| 国产美女午夜福利| 欧美激情国产日韩精品一区| 一级片'在线观看视频| 久久人人爽人人片av| 少妇高潮的动态图| 夫妻午夜视频| 日日啪夜夜爽| 2022亚洲国产成人精品| 高清欧美精品videossex| 亚洲av中文字字幕乱码综合| 亚洲怡红院男人天堂| 国产老妇伦熟女老妇高清| 亚洲国产日韩欧美精品在线观看| 亚洲精品乱久久久久久| a级毛色黄片| 国产毛片a区久久久久| 亚洲av免费在线观看| 51国产日韩欧美| 日韩,欧美,国产一区二区三区| 日日撸夜夜添| 亚洲一区高清亚洲精品| 大话2 男鬼变身卡| 天天躁日日操中文字幕| 日韩成人伦理影院| 亚洲熟妇中文字幕五十中出| 欧美成人午夜免费资源| av在线观看视频网站免费| 国产精品久久久久久av不卡| 在线播放无遮挡| 九九久久精品国产亚洲av麻豆| 国产人妻一区二区三区在| 国产精品不卡视频一区二区| 亚洲美女视频黄频| 国产乱来视频区| 国产高清不卡午夜福利| 国产精品女同一区二区软件| 精品一区二区三卡| 亚洲怡红院男人天堂| 国产精品一区www在线观看| 国产探花极品一区二区| 亚洲欧洲日产国产| 色尼玛亚洲综合影院| 国产永久视频网站| 国产在视频线精品| 亚洲欧美日韩东京热| 亚洲自偷自拍三级| 亚洲精品456在线播放app| 全区人妻精品视频| 搡老妇女老女人老熟妇| 国产在线男女| 日韩三级伦理在线观看| 高清毛片免费看| av网站免费在线观看视频 | 欧美高清成人免费视频www| 日韩制服骚丝袜av| 国产精品久久久久久久久免| 男人舔奶头视频| 欧美成人a在线观看| 赤兔流量卡办理| 亚洲欧洲国产日韩| 婷婷色av中文字幕| 亚洲av中文av极速乱| 午夜福利视频精品| 内射极品少妇av片p| 日韩大片免费观看网站| 99热这里只有精品一区| 蜜臀久久99精品久久宅男| 亚洲va在线va天堂va国产| 亚洲精品一二三| 亚洲国产精品专区欧美| 欧美日韩亚洲高清精品| 亚洲精品,欧美精品| 亚洲va在线va天堂va国产| 人妻一区二区av| 国产精品国产三级国产av玫瑰| 建设人人有责人人尽责人人享有的 | 免费观看的影片在线观看| 99re6热这里在线精品视频| 免费不卡的大黄色大毛片视频在线观看 | 肉色欧美久久久久久久蜜桃 | 狠狠精品人妻久久久久久综合| 久久热精品热| 国产精品熟女久久久久浪| 内射极品少妇av片p| 国产国拍精品亚洲av在线观看| 成年av动漫网址| 久久久亚洲精品成人影院| 天天躁日日操中文字幕| 日韩,欧美,国产一区二区三区| 精品久久久久久久久av| 成人美女网站在线观看视频| 亚洲伊人久久精品综合| 国产精品蜜桃在线观看| 亚洲自拍偷在线| 一本一本综合久久| 国产白丝娇喘喷水9色精品| 嫩草影院精品99| 亚洲在线自拍视频| 菩萨蛮人人尽说江南好唐韦庄| 一级黄片播放器| 肉色欧美久久久久久久蜜桃 | 亚洲久久久久久中文字幕| 日韩精品青青久久久久久| 亚洲欧美清纯卡通| 大陆偷拍与自拍| 一级毛片久久久久久久久女| 国产精品人妻久久久久久| 亚洲自偷自拍三级| 老女人水多毛片| 哪个播放器可以免费观看大片| 国产人妻一区二区三区在| 在线a可以看的网站| 免费大片18禁| 久久久久久久久中文| 亚洲精品乱久久久久久| 极品少妇高潮喷水抽搐| 在线观看一区二区三区| 如何舔出高潮| av播播在线观看一区| 人妻少妇偷人精品九色| 欧美三级亚洲精品| 成人无遮挡网站| 欧美人与善性xxx| 亚洲国产色片| av在线蜜桃| 一个人观看的视频www高清免费观看| 国产在线男女| 国产精品日韩av在线免费观看| 午夜久久久久精精品| 精品久久久久久久久亚洲| 国产成人aa在线观看| 人体艺术视频欧美日本| 性插视频无遮挡在线免费观看| 亚洲无线观看免费| 国产高清国产精品国产三级 | videos熟女内射| 哪个播放器可以免费观看大片| 一级黄片播放器| 1000部很黄的大片| 亚洲四区av| 亚洲经典国产精华液单| 国精品久久久久久国模美| 亚洲丝袜综合中文字幕| 亚洲av福利一区| 国产综合懂色| 七月丁香在线播放| 久久99热6这里只有精品| 看十八女毛片水多多多| 男女视频在线观看网站免费| 免费无遮挡裸体视频| 少妇裸体淫交视频免费看高清| 啦啦啦韩国在线观看视频| 亚洲怡红院男人天堂| 极品教师在线视频| 精品久久久久久久久亚洲| 麻豆av噜噜一区二区三区| 中文天堂在线官网| 亚洲国产色片| 国内少妇人妻偷人精品xxx网站| 国产亚洲av嫩草精品影院| .国产精品久久| 丝袜美腿在线中文| 国产白丝娇喘喷水9色精品| 国产黄片视频在线免费观看| 亚洲欧美日韩东京热| 欧美一区二区亚洲| 国产伦在线观看视频一区| 久久久精品94久久精品| 国产精品人妻久久久久久| 色哟哟·www| 大又大粗又爽又黄少妇毛片口| 最近最新中文字幕免费大全7| 亚洲av在线观看美女高潮| 在线观看一区二区三区| 亚洲不卡免费看| 精华霜和精华液先用哪个| 啦啦啦啦在线视频资源| 日本色播在线视频| 如何舔出高潮| 久久精品夜夜夜夜夜久久蜜豆| 女的被弄到高潮叫床怎么办| 日韩伦理黄色片| 国产单亲对白刺激| 美女大奶头视频| 国产亚洲一区二区精品| 亚洲国产精品sss在线观看| 99热这里只有是精品在线观看| 91午夜精品亚洲一区二区三区| 成人av在线播放网站| 人妻夜夜爽99麻豆av| 亚洲av免费高清在线观看| 免费观看在线日韩| 午夜精品在线福利| 国产免费一级a男人的天堂| 免费观看的影片在线观看| 日本免费在线观看一区| 午夜精品在线福利| 午夜福利高清视频| 午夜激情欧美在线| 2022亚洲国产成人精品| 亚洲成人一二三区av| 只有这里有精品99| 国产v大片淫在线免费观看| 国产精品福利在线免费观看| 啦啦啦啦在线视频资源| 欧美日韩精品成人综合77777| 如何舔出高潮| 国产伦精品一区二区三区视频9| 亚洲久久久久久中文字幕| 免费播放大片免费观看视频在线观看| 国产在线一区二区三区精| 菩萨蛮人人尽说江南好唐韦庄| av线在线观看网站| 美女黄网站色视频| 免费观看精品视频网站| 精品一区在线观看国产| 高清视频免费观看一区二区 | 最近中文字幕2019免费版| 六月丁香七月| 欧美三级亚洲精品| 水蜜桃什么品种好| 午夜福利在线在线| 欧美丝袜亚洲另类| 亚洲熟女精品中文字幕| 欧美极品一区二区三区四区| 亚洲综合色惰| 精品一区二区三卡| or卡值多少钱| 国产精品99久久久久久久久| 日韩成人av中文字幕在线观看| 伊人久久精品亚洲午夜| 少妇猛男粗大的猛烈进出视频 | 亚洲伊人久久精品综合| 极品少妇高潮喷水抽搐| 一级片'在线观看视频| 可以在线观看毛片的网站| 欧美精品国产亚洲| 尤物成人国产欧美一区二区三区| 91aial.com中文字幕在线观看| 国产亚洲av嫩草精品影院| 日韩,欧美,国产一区二区三区| 日韩av免费高清视频| 99久久人妻综合| 亚洲真实伦在线观看| 亚洲综合精品二区| 免费无遮挡裸体视频| 男女国产视频网站| 久久久久久久亚洲中文字幕| 精品人妻视频免费看| 亚洲精品日本国产第一区| 国产精品.久久久| 噜噜噜噜噜久久久久久91| 日日啪夜夜爽| 国产一区二区在线观看日韩| 国产视频内射| 国产女主播在线喷水免费视频网站 | 国产v大片淫在线免费观看| 边亲边吃奶的免费视频| 插阴视频在线观看视频| 伊人久久精品亚洲午夜| 亚洲av电影在线观看一区二区三区 | 日韩 亚洲 欧美在线| 精品不卡国产一区二区三区| 91在线精品国自产拍蜜月| 欧美变态另类bdsm刘玥| 日韩三级伦理在线观看| 久久精品国产鲁丝片午夜精品| 国产av在哪里看| 精品一区二区三区视频在线| 在线天堂最新版资源| 亚洲欧美日韩卡通动漫| 99re6热这里在线精品视频| 亚洲欧洲日产国产| 精品一区二区三卡| 日韩三级伦理在线观看| 欧美潮喷喷水| 观看美女的网站| 看十八女毛片水多多多| 国内精品宾馆在线| 国产极品天堂在线| 欧美 日韩 精品 国产| 国产伦精品一区二区三区视频9| 国产大屁股一区二区在线视频| 国产精品一区二区三区四区久久| 午夜视频国产福利| 观看美女的网站| 国产黄片美女视频| 大香蕉97超碰在线| 国产极品天堂在线| 亚洲美女搞黄在线观看| 五月玫瑰六月丁香| 久久亚洲国产成人精品v| 一区二区三区四区激情视频| 国产av码专区亚洲av| 亚洲国产色片| 亚洲欧美日韩无卡精品| 尤物成人国产欧美一区二区三区| 午夜激情久久久久久久| 黄色一级大片看看| 国产精品爽爽va在线观看网站| 免费av观看视频| 嫩草影院新地址| 亚洲经典国产精华液单| av女优亚洲男人天堂| 亚洲真实伦在线观看| 午夜精品国产一区二区电影 | 国产精品爽爽va在线观看网站| 十八禁网站网址无遮挡 | 久久久久久九九精品二区国产| 99热全是精品| 国产精品av视频在线免费观看| 国产一区有黄有色的免费视频 | 亚洲在线自拍视频| 亚洲精品国产成人久久av| 国产一区二区三区综合在线观看 | 一级毛片久久久久久久久女| 国产高清不卡午夜福利| 国产精品美女特级片免费视频播放器| 亚洲欧美日韩无卡精品| 老师上课跳d突然被开到最大视频| 国产成人精品婷婷| 亚洲性久久影院| 亚洲婷婷狠狠爱综合网| 91久久精品电影网| 国产一级毛片在线| 亚州av有码| 日韩欧美一区视频在线观看 | 国产有黄有色有爽视频| 国产黄色视频一区二区在线观看| 亚洲国产精品sss在线观看| 精品人妻一区二区三区麻豆| 国产精品三级大全| 少妇熟女aⅴ在线视频| 午夜免费激情av| 日韩精品青青久久久久久| 欧美极品一区二区三区四区| 亚洲熟妇中文字幕五十中出| 国产精品99久久久久久久久| 亚洲欧美清纯卡通| 只有这里有精品99| 天堂影院成人在线观看| 一级毛片电影观看| 一个人看的www免费观看视频| 成年人午夜在线观看视频 | 能在线免费观看的黄片| 日本色播在线视频| 久久久久久久亚洲中文字幕| 青青草视频在线视频观看| 欧美最新免费一区二区三区| 国产麻豆成人av免费视频| 久久精品国产自在天天线| 国产免费又黄又爽又色| 校园人妻丝袜中文字幕| 永久网站在线| 久久草成人影院| 国产 亚洲一区二区三区 | 精品国内亚洲2022精品成人| 久久精品久久精品一区二区三区| 大话2 男鬼变身卡| 国产v大片淫在线免费观看| 亚洲av免费在线观看| 人妻一区二区av| 18禁裸乳无遮挡免费网站照片| 神马国产精品三级电影在线观看| 国产久久久一区二区三区| 夫妻午夜视频| h日本视频在线播放| 精品人妻熟女av久视频| 亚洲欧美成人综合另类久久久| 亚洲三级黄色毛片| 国产高清有码在线观看视频| 大话2 男鬼变身卡| 特大巨黑吊av在线直播| 天堂√8在线中文| 一个人看视频在线观看www免费| 毛片女人毛片| 97人妻精品一区二区三区麻豆| 国产成人a区在线观看| 欧美性感艳星| 免费观看在线日韩| 国产一级毛片在线| 国产av不卡久久| www.av在线官网国产| 在线 av 中文字幕| 在线观看一区二区三区| 波多野结衣巨乳人妻| 18禁在线无遮挡免费观看视频| 亚洲精品自拍成人| 99久久人妻综合| 日韩强制内射视频| 熟女电影av网| 成人鲁丝片一二三区免费| 在线免费观看的www视频| 伦精品一区二区三区| 99久国产av精品国产电影| 免费观看a级毛片全部| 欧美97在线视频| 久久6这里有精品| 两个人的视频大全免费| 熟妇人妻不卡中文字幕| 日韩强制内射视频| 你懂的网址亚洲精品在线观看| 干丝袜人妻中文字幕| 国产欧美另类精品又又久久亚洲欧美| 伊人久久精品亚洲午夜| 在线免费十八禁| 热99在线观看视频| 久久久精品免费免费高清| 久久午夜福利片| 国产av在哪里看| 国产一区有黄有色的免费视频 | 免费看不卡的av| 精品久久久精品久久久| 国产三级在线视频| 黄色欧美视频在线观看| 色播亚洲综合网| 亚洲av国产av综合av卡| av在线老鸭窝| 国产av国产精品国产| 天天躁夜夜躁狠狠久久av| 国产乱人偷精品视频| 超碰av人人做人人爽久久| 国产免费一级a男人的天堂| 免费黄网站久久成人精品| 搡老乐熟女国产| 国产午夜福利久久久久久| 久久久久久久大尺度免费视频| 色综合站精品国产| 99视频精品全部免费 在线| 国产精品伦人一区二区| 高清av免费在线| 成人亚洲精品一区在线观看 | 听说在线观看完整版免费高清| 亚洲第一区二区三区不卡| 久久久久久久国产电影| 亚洲最大成人av| 亚洲欧美一区二区三区黑人 | 一边亲一边摸免费视频| 黄色日韩在线| a级毛色黄片| 又粗又硬又长又爽又黄的视频| 亚洲,欧美,日韩| 国产人妻一区二区三区在| 99热网站在线观看| 欧美人与善性xxx| 精品人妻熟女av久视频| 色吧在线观看| 欧美激情久久久久久爽电影| 久久人人爽人人片av| 亚洲18禁久久av| 亚洲经典国产精华液单| 成人鲁丝片一二三区免费| 国产亚洲午夜精品一区二区久久 | 丰满人妻一区二区三区视频av| 免费大片黄手机在线观看| 韩国av在线不卡|