• <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。

    免费在线观看黄色视频的| 日韩人妻精品一区2区三区| 乱人伦中国视频| 高清欧美精品videossex| 免费在线观看黄色视频的| 亚洲aⅴ乱码一区二区在线播放 | 日韩欧美免费精品| 99国产精品免费福利视频| 日本精品一区二区三区蜜桃| 午夜免费成人在线视频| 国产成人欧美| 日韩欧美在线二视频 | 老司机午夜十八禁免费视频| 香蕉丝袜av| 精品国产美女av久久久久小说| 丝袜在线中文字幕| 中文字幕高清在线视频| 欧美一级毛片孕妇| 夫妻午夜视频| 十八禁人妻一区二区| 欧美激情极品国产一区二区三区| 三上悠亚av全集在线观看| 国产1区2区3区精品| 亚洲avbb在线观看| 婷婷丁香在线五月| 久久久久国产一级毛片高清牌| 高清av免费在线| 操出白浆在线播放| 亚洲熟妇中文字幕五十中出 | 曰老女人黄片| 免费日韩欧美在线观看| 亚洲欧美一区二区三区久久| 啦啦啦在线免费观看视频4| 欧美大码av| 久久青草综合色| 狂野欧美激情性xxxx| e午夜精品久久久久久久| 日本wwww免费看| 男人操女人黄网站| av福利片在线| 老司机午夜十八禁免费视频| 性少妇av在线| 久久精品国产99精品国产亚洲性色 | 后天国语完整版免费观看| 久9热在线精品视频| 午夜老司机福利片| 久99久视频精品免费| 午夜精品在线福利| 最新的欧美精品一区二区| 大型av网站在线播放| 免费人成视频x8x8入口观看| 欧美精品人与动牲交sv欧美| 18禁裸乳无遮挡免费网站照片 | 精品少妇一区二区三区视频日本电影| 窝窝影院91人妻| 1024视频免费在线观看| 精品国产一区二区三区久久久樱花| 久久久久久久午夜电影 | av一本久久久久| 精品午夜福利视频在线观看一区| 成熟少妇高潮喷水视频| 亚洲成a人片在线一区二区| aaaaa片日本免费| 18禁黄网站禁片午夜丰满| 成人黄色视频免费在线看| 免费观看a级毛片全部| 久久久国产成人免费| 人人妻人人澡人人爽人人夜夜| av在线播放免费不卡| 久久久久久人人人人人| 欧美精品啪啪一区二区三区| 中文字幕av电影在线播放| 日韩欧美在线二视频 | 男女午夜视频在线观看| 久久精品aⅴ一区二区三区四区| 国产主播在线观看一区二区| 国产精品九九99| 亚洲精品美女久久久久99蜜臀| 人妻一区二区av| 午夜福利乱码中文字幕| 国产又色又爽无遮挡免费看| 日本欧美视频一区| 国产淫语在线视频| 欧美午夜高清在线| 亚洲成av片中文字幕在线观看| 少妇被粗大的猛进出69影院| 他把我摸到了高潮在线观看| 久久久久精品人妻al黑| 久久精品人人爽人人爽视色| 久久狼人影院| 搡老岳熟女国产| 老司机靠b影院| 久久久精品区二区三区| 精品少妇一区二区三区视频日本电影| 欧美精品亚洲一区二区| 久久国产精品影院| 麻豆成人av在线观看| 侵犯人妻中文字幕一二三四区| 久久香蕉精品热| 午夜精品国产一区二区电影| 午夜免费成人在线视频| 久热这里只有精品99| 十八禁网站免费在线| 美女高潮到喷水免费观看| 久久中文字幕人妻熟女| 色94色欧美一区二区| 亚洲av熟女| 在线看a的网站| 精品国产一区二区三区久久久樱花| 成人亚洲精品一区在线观看| 大香蕉久久网| 亚洲黑人精品在线| 亚洲成a人片在线一区二区| 黄片播放在线免费| 91在线观看av| 美女国产高潮福利片在线看| 亚洲中文字幕日韩| 日韩制服丝袜自拍偷拍| 日韩欧美一区视频在线观看| 亚洲久久久国产精品| 国产男女超爽视频在线观看| 大型av网站在线播放| 一级,二级,三级黄色视频| 成年人黄色毛片网站| 久久九九热精品免费| 99精品久久久久人妻精品| 久久久精品国产亚洲av高清涩受| 午夜成年电影在线免费观看| 一级毛片女人18水好多| 在线十欧美十亚洲十日本专区| 婷婷成人精品国产| 久久久久久久国产电影| 人人妻,人人澡人人爽秒播| 国产精品免费一区二区三区在线 | 黄色视频,在线免费观看| 日韩人妻精品一区2区三区| 中出人妻视频一区二区| 一级片'在线观看视频| av天堂久久9| 丁香六月欧美| 美女国产高潮福利片在线看| 少妇粗大呻吟视频| 精品国产美女av久久久久小说| 天堂√8在线中文| 香蕉丝袜av| av超薄肉色丝袜交足视频| 午夜福利免费观看在线| 男女床上黄色一级片免费看| 极品教师在线免费播放| 国产精品自产拍在线观看55亚洲 | 亚洲欧美一区二区三区久久| 91老司机精品| 欧美国产精品一级二级三级| 亚洲午夜理论影院| 9191精品国产免费久久| 亚洲午夜理论影院| 亚洲国产欧美一区二区综合| a级片在线免费高清观看视频| 亚洲精品国产精品久久久不卡| 国产一区二区三区在线臀色熟女 | 在线观看午夜福利视频| 午夜精品久久久久久毛片777| 91麻豆av在线| 高潮久久久久久久久久久不卡| www日本在线高清视频| 国产野战对白在线观看| 成年人免费黄色播放视频| 国产伦人伦偷精品视频| 男人操女人黄网站| 亚洲avbb在线观看| 亚洲成人手机| 亚洲欧美激情在线| 91成人精品电影| 日本精品一区二区三区蜜桃| 老司机影院毛片| 国产精品av久久久久免费| 亚洲国产欧美一区二区综合| 久99久视频精品免费| 国产男女内射视频| 无限看片的www在线观看| 涩涩av久久男人的天堂| 人妻一区二区av| 国产av精品麻豆| 夜夜爽天天搞| 热99re8久久精品国产| 国产日韩一区二区三区精品不卡| 韩国av一区二区三区四区| 久久香蕉精品热| 婷婷精品国产亚洲av在线 | 免费观看a级毛片全部| 大码成人一级视频| 精品国产乱子伦一区二区三区| 91在线观看av| 丝袜在线中文字幕| 国产成人系列免费观看| 日本黄色日本黄色录像| 18禁裸乳无遮挡免费网站照片 | 日本五十路高清| 精品亚洲成国产av| 日韩免费av在线播放| 国产免费av片在线观看野外av| 亚洲av日韩在线播放| 国产精华一区二区三区| 我的亚洲天堂| 老熟女久久久| 女性生殖器流出的白浆| 在线观看日韩欧美| 9191精品国产免费久久| 精品人妻1区二区| 极品教师在线免费播放| 欧美日韩一级在线毛片| 久久这里只有精品19| 99国产精品99久久久久| 动漫黄色视频在线观看| 久久中文看片网| 亚洲av熟女| 99热网站在线观看| 一本综合久久免费| 一区福利在线观看| 一边摸一边抽搐一进一小说 | 国产无遮挡羞羞视频在线观看| 国产欧美日韩一区二区三区在线| 精品乱码久久久久久99久播| 大陆偷拍与自拍| 亚洲人成伊人成综合网2020| 91在线观看av| 精品亚洲成国产av| 男女之事视频高清在线观看| 狂野欧美激情性xxxx| 好看av亚洲va欧美ⅴa在| 波多野结衣av一区二区av| 亚洲成av片中文字幕在线观看| 黄频高清免费视频| 久久这里只有精品19| 日日夜夜操网爽| 最近最新免费中文字幕在线| 人妻久久中文字幕网| 看黄色毛片网站| 婷婷精品国产亚洲av在线 | 久久久国产一区二区| 午夜日韩欧美国产| 久久久久久人人人人人| 国产精品九九99| 国产av又大| 精品卡一卡二卡四卡免费| 国产又爽黄色视频| 亚洲国产欧美一区二区综合| 50天的宝宝边吃奶边哭怎么回事| 黑人巨大精品欧美一区二区蜜桃| 少妇裸体淫交视频免费看高清 | 91字幕亚洲| 亚洲久久久国产精品| 精品久久久久久电影网| 女人爽到高潮嗷嗷叫在线视频| 亚洲第一av免费看| 18在线观看网站| 黄色a级毛片大全视频| 欧美+亚洲+日韩+国产| 日韩三级视频一区二区三区| 别揉我奶头~嗯~啊~动态视频| 91精品国产国语对白视频| 一边摸一边做爽爽视频免费| 欧美日韩瑟瑟在线播放| 国产淫语在线视频| 男人的好看免费观看在线视频 | 国产精品九九99| 在线观看日韩欧美| 热99国产精品久久久久久7| 久久久精品免费免费高清| 欧美在线一区亚洲| 欧洲精品卡2卡3卡4卡5卡区| 成年人午夜在线观看视频| 久久精品国产亚洲av香蕉五月 | 欧美乱码精品一区二区三区| 无遮挡黄片免费观看| 18禁美女被吸乳视频| svipshipincom国产片| 一级黄色大片毛片| 亚洲第一av免费看| 亚洲欧美精品综合一区二区三区| 欧美午夜高清在线| 18禁黄网站禁片午夜丰满| 两性午夜刺激爽爽歪歪视频在线观看 | 黄色视频不卡| 十分钟在线观看高清视频www| 成年版毛片免费区| 男女床上黄色一级片免费看| 国产极品粉嫩免费观看在线| 欧美最黄视频在线播放免费 | 热99国产精品久久久久久7| 日本五十路高清| 国产一区二区激情短视频| tocl精华| 精品国内亚洲2022精品成人 | 成年人免费黄色播放视频| 91国产中文字幕| 精品久久久久久久久久免费视频 | 热re99久久国产66热| 久久久久久免费高清国产稀缺| a级片在线免费高清观看视频| 国产有黄有色有爽视频| 18禁黄网站禁片午夜丰满| 免费在线观看日本一区| 老熟妇仑乱视频hdxx| 午夜福利免费观看在线| 日本一区二区免费在线视频| 亚洲精品国产色婷婷电影| 9热在线视频观看99| 欧美精品高潮呻吟av久久| 99国产综合亚洲精品| 69精品国产乱码久久久| 亚洲欧洲精品一区二区精品久久久| 午夜两性在线视频| 一本一本久久a久久精品综合妖精| 亚洲国产欧美一区二区综合| 少妇的丰满在线观看| 超碰成人久久| 精品一品国产午夜福利视频| 亚洲国产欧美一区二区综合| 男女高潮啪啪啪动态图| 久久香蕉精品热| 啦啦啦 在线观看视频| 可以免费在线观看a视频的电影网站| 久久青草综合色| 电影成人av| 亚洲第一欧美日韩一区二区三区| 午夜免费鲁丝| 老熟妇乱子伦视频在线观看| 国产一区有黄有色的免费视频| 欧美精品一区二区免费开放| 黑人猛操日本美女一级片| 国产免费男女视频| 啦啦啦免费观看视频1| 国产精品一区二区在线观看99| 日韩一卡2卡3卡4卡2021年| 热99国产精品久久久久久7| 国产91精品成人一区二区三区| 精品国产一区二区久久| 在线十欧美十亚洲十日本专区| 99精品欧美一区二区三区四区| 99久久精品国产亚洲精品| 韩国av一区二区三区四区| 日本欧美视频一区| 最近最新免费中文字幕在线| 丰满迷人的少妇在线观看| 韩国精品一区二区三区| 欧美激情高清一区二区三区| 高清av免费在线| 激情视频va一区二区三区| 大香蕉久久网| 国产97色在线日韩免费| 免费日韩欧美在线观看| 两个人免费观看高清视频| 如日韩欧美国产精品一区二区三区| 久久国产亚洲av麻豆专区| 天天躁狠狠躁夜夜躁狠狠躁| 色精品久久人妻99蜜桃| 国产aⅴ精品一区二区三区波| 丝袜在线中文字幕| 亚洲精品粉嫩美女一区| 99热网站在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品免费一区二区三区在线 | 免费久久久久久久精品成人欧美视频| 黑人巨大精品欧美一区二区mp4| 国产一区二区三区综合在线观看| 99久久国产精品久久久| 热99国产精品久久久久久7| 国产主播在线观看一区二区| 电影成人av| 亚洲欧洲精品一区二区精品久久久| 黑人巨大精品欧美一区二区蜜桃| 中文字幕人妻丝袜制服| av一本久久久久| 999久久久精品免费观看国产| 美女高潮到喷水免费观看| 亚洲第一欧美日韩一区二区三区| 黑人巨大精品欧美一区二区mp4| 女人久久www免费人成看片| 色综合欧美亚洲国产小说| 激情视频va一区二区三区| 亚洲人成77777在线视频| 大片电影免费在线观看免费| 在线观看66精品国产| 亚洲熟妇熟女久久| 久久久久视频综合| 亚洲熟女毛片儿| 国产精品.久久久| 欧美成人免费av一区二区三区 | 天天躁狠狠躁夜夜躁狠狠躁| 欧美日韩乱码在线| 黄色丝袜av网址大全| www.自偷自拍.com| 亚洲五月天丁香| 精品久久久久久久久久免费视频 | 在线观看免费高清a一片| 精品一区二区三卡| 午夜精品在线福利| 亚洲自偷自拍图片 自拍| 国产一卡二卡三卡精品| 在线观看日韩欧美| 亚洲专区字幕在线| 久久中文看片网| 操出白浆在线播放| 成年人午夜在线观看视频| 一本一本久久a久久精品综合妖精| av片东京热男人的天堂| 黄色成人免费大全| 国产三级黄色录像| 精品午夜福利视频在线观看一区| 欧美精品亚洲一区二区| 欧美黄色片欧美黄色片| 极品人妻少妇av视频| 日本黄色视频三级网站网址 | 国产亚洲精品一区二区www | 久久热在线av| 精品一品国产午夜福利视频| 无人区码免费观看不卡| av免费在线观看网站| 五月开心婷婷网| 成人18禁在线播放| av中文乱码字幕在线| 超色免费av| 搡老熟女国产l中国老女人| 国产xxxxx性猛交| 又大又爽又粗| 色播在线永久视频| av欧美777| 99香蕉大伊视频| a级毛片黄视频| 亚洲av电影在线进入| 国产亚洲欧美精品永久| 飞空精品影院首页| 交换朋友夫妻互换小说| 美女福利国产在线| 亚洲av美国av| 欧洲精品卡2卡3卡4卡5卡区| 久久国产乱子伦精品免费另类| 欧美日韩成人在线一区二区| 99久久99久久久精品蜜桃| 91精品三级在线观看| 黄色丝袜av网址大全| 欧美在线黄色| 别揉我奶头~嗯~啊~动态视频| 一二三四在线观看免费中文在| 99精国产麻豆久久婷婷| 成人18禁高潮啪啪吃奶动态图| 亚洲成人免费av在线播放| 午夜精品在线福利| 曰老女人黄片| 老司机影院毛片| 最新美女视频免费是黄的| 精品久久久久久,| 日本一区二区免费在线视频| 一边摸一边做爽爽视频免费| 亚洲九九香蕉| 亚洲精品久久午夜乱码| 久久亚洲精品不卡| 国产麻豆69| 激情视频va一区二区三区| 亚洲aⅴ乱码一区二区在线播放 | 夜夜爽天天搞| av天堂在线播放| 男女免费视频国产| 午夜91福利影院| 精品人妻熟女毛片av久久网站| 国产男女内射视频| 国产一区有黄有色的免费视频| 精品一区二区三区四区五区乱码| 999久久久精品免费观看国产| 亚洲aⅴ乱码一区二区在线播放 | 欧美精品一区二区免费开放| 亚洲午夜精品一区,二区,三区| 日韩欧美免费精品| 一级毛片高清免费大全| 在线观看免费视频网站a站| 国产精品亚洲av一区麻豆| 国产深夜福利视频在线观看| 男人的好看免费观看在线视频 | 日韩有码中文字幕| 亚洲中文字幕日韩| cao死你这个sao货| 看黄色毛片网站| 亚洲男人天堂网一区| 久久久国产一区二区| 午夜影院日韩av| 国产精品偷伦视频观看了| 岛国在线观看网站| 丝袜美腿诱惑在线| 男男h啪啪无遮挡| 亚洲熟妇中文字幕五十中出 | 久久影院123| 欧美黑人精品巨大| 18禁裸乳无遮挡动漫免费视频| av线在线观看网站| 视频区图区小说| 欧美 日韩 精品 国产| 视频在线观看一区二区三区| 亚洲一区中文字幕在线| 俄罗斯特黄特色一大片| 91在线观看av| 五月开心婷婷网| 我的亚洲天堂| 深夜精品福利| 国产日韩一区二区三区精品不卡| 久久久精品免费免费高清| 法律面前人人平等表现在哪些方面| 久久狼人影院| 一级片'在线观看视频| 色在线成人网| 色婷婷av一区二区三区视频| 老熟女久久久| 午夜老司机福利片| 黑人巨大精品欧美一区二区蜜桃| 成人手机av| 侵犯人妻中文字幕一二三四区| 人成视频在线观看免费观看| 久久精品亚洲精品国产色婷小说| 午夜福利在线免费观看网站| 真人做人爱边吃奶动态| 90打野战视频偷拍视频| 午夜日韩欧美国产| 黄片小视频在线播放| 欧洲精品卡2卡3卡4卡5卡区| 黄色女人牲交| 国产精品一区二区在线不卡| 美女高潮喷水抽搐中文字幕| 高潮久久久久久久久久久不卡| 亚洲精品美女久久久久99蜜臀| 淫妇啪啪啪对白视频| 国产精品国产av在线观看| 多毛熟女@视频| av视频免费观看在线观看| 午夜久久久在线观看| 日韩精品免费视频一区二区三区| 亚洲精品国产一区二区精华液| av在线播放免费不卡| 少妇的丰满在线观看| 一a级毛片在线观看| 国产亚洲欧美精品永久| avwww免费| 黑人猛操日本美女一级片| 国产精品国产av在线观看| 欧美日韩亚洲国产一区二区在线观看 | 天天躁夜夜躁狠狠躁躁| 国产精品美女特级片免费视频播放器 | 久久婷婷成人综合色麻豆| 青草久久国产| 建设人人有责人人尽责人人享有的| 亚洲五月天丁香| av免费在线观看网站| 亚洲五月天丁香| 变态另类成人亚洲欧美熟女 | 欧美日韩亚洲高清精品| 国产精品美女特级片免费视频播放器 | 亚洲精品一卡2卡三卡4卡5卡| 国产精品久久视频播放| 97人妻天天添夜夜摸| 国产精品久久久久久人妻精品电影| 超碰成人久久| 中文字幕人妻丝袜制服| 又黄又粗又硬又大视频| 丝袜美腿诱惑在线| 国产免费男女视频| 51午夜福利影视在线观看| 成人永久免费在线观看视频| 亚洲av第一区精品v没综合| 欧美国产精品va在线观看不卡| 国产伦人伦偷精品视频| 国产精品乱码一区二三区的特点 | 成人永久免费在线观看视频| 久久中文字幕人妻熟女| 99久久99久久久精品蜜桃| 久久精品人人爽人人爽视色| 在线观看免费高清a一片| 久久久久久久午夜电影 | 免费在线观看日本一区| 99re6热这里在线精品视频| 9色porny在线观看| 人妻一区二区av| 淫妇啪啪啪对白视频| 99热只有精品国产| 久久久久久久久免费视频了| 国产精品免费一区二区三区在线 | 亚洲午夜精品一区,二区,三区| 69av精品久久久久久| 精品福利观看| 日韩人妻精品一区2区三区| 精品福利观看| 久久天躁狠狠躁夜夜2o2o| 一级黄色大片毛片| 十八禁人妻一区二区| 亚洲中文字幕日韩| 久久午夜亚洲精品久久| 欧美亚洲日本最大视频资源| 别揉我奶头~嗯~啊~动态视频| 国产精品久久久久久精品古装| 制服诱惑二区| 99香蕉大伊视频| 欧美日韩黄片免| 一级作爱视频免费观看| 女人被躁到高潮嗷嗷叫费观| bbb黄色大片| 亚洲av成人不卡在线观看播放网| 很黄的视频免费| 色在线成人网| 欧美日韩亚洲国产一区二区在线观看 | 午夜影院日韩av| 色尼玛亚洲综合影院| 亚洲视频免费观看视频| 国产aⅴ精品一区二区三区波| 99热只有精品国产| 高潮久久久久久久久久久不卡| 啦啦啦 在线观看视频| netflix在线观看网站|