• <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。

    久久精品国产自在天天线| 岛国在线免费视频观看| 国产一级毛片七仙女欲春2| 日本在线视频免费播放| 成人特级av手机在线观看| 在线天堂最新版资源| 成人性生交大片免费视频hd| 高清日韩中文字幕在线| 欧美乱色亚洲激情| 美女 人体艺术 gogo| 黄色女人牲交| 日韩国内少妇激情av| 1024手机看黄色片| 午夜免费观看网址| 搞女人的毛片| 成年女人毛片免费观看观看9| 天天添夜夜摸| 大型黄色视频在线免费观看| 国内少妇人妻偷人精品xxx网站| 国内精品久久久久久久电影| 欧美又色又爽又黄视频| svipshipincom国产片| 最近视频中文字幕2019在线8| 午夜福利在线观看免费完整高清在 | av在线蜜桃| 国产精品永久免费网站| 最近视频中文字幕2019在线8| 亚洲av成人不卡在线观看播放网| 怎么达到女性高潮| 在线观看午夜福利视频| 国产精品久久久人人做人人爽| 亚洲一区二区三区不卡视频| 成人av在线播放网站| 亚洲精品国产精品久久久不卡| 午夜福利在线在线| 美女被艹到高潮喷水动态| 别揉我奶头~嗯~啊~动态视频| 久久精品影院6| 国产精品久久久久久久电影 | 国产一区二区三区视频了| 九色国产91popny在线| 亚洲成av人片免费观看| 九色成人免费人妻av| 亚洲国产精品sss在线观看| 日本成人三级电影网站| 国产成人啪精品午夜网站| 久久午夜亚洲精品久久| 成人午夜高清在线视频| 国产私拍福利视频在线观看| 国产老妇女一区| 亚洲精品乱码久久久v下载方式 | 日韩欧美在线二视频| 我要搜黄色片| 在线观看一区二区三区| 免费无遮挡裸体视频| 国产高清videossex| 午夜免费激情av| 亚洲内射少妇av| 国产三级在线视频| av天堂中文字幕网| 欧美最黄视频在线播放免费| 日本成人三级电影网站| 性欧美人与动物交配| 日韩欧美免费精品| 色吧在线观看| 精品一区二区三区人妻视频| 亚洲国产日韩欧美精品在线观看 | 在线观看66精品国产| 国产在线精品亚洲第一网站| 1024手机看黄色片| 色播亚洲综合网| 免费av毛片视频| 国产三级中文精品| 白带黄色成豆腐渣| 一级毛片女人18水好多| 亚洲欧美精品综合久久99| 亚洲欧美日韩高清专用| 亚洲内射少妇av| 精品久久久久久,| 国产视频一区二区在线看| 中文字幕人妻熟人妻熟丝袜美 | 内射极品少妇av片p| 内地一区二区视频在线| 母亲3免费完整高清在线观看| 成人特级av手机在线观看| 国产真人三级小视频在线观看| 黄色日韩在线| 亚洲中文日韩欧美视频| 很黄的视频免费| 啪啪无遮挡十八禁网站| 色吧在线观看| 久久久久亚洲av毛片大全| 亚洲在线自拍视频| 日本与韩国留学比较| 日韩欧美免费精品| 国产男靠女视频免费网站| 午夜精品久久久久久毛片777| 夜夜夜夜夜久久久久| 亚洲欧美日韩无卡精品| 国内精品久久久久精免费| 99久久精品国产亚洲精品| 日日干狠狠操夜夜爽| 午夜a级毛片| 亚洲国产高清在线一区二区三| 国内久久婷婷六月综合欲色啪| 久久精品91无色码中文字幕| 91av网一区二区| 一区二区三区激情视频| 欧美成人免费av一区二区三区| 午夜亚洲福利在线播放| 99久久精品热视频| 亚洲中文字幕日韩| 99久久精品一区二区三区| 国产成人av教育| 狠狠狠狠99中文字幕| 色在线成人网| 欧美日韩国产亚洲二区| 精品午夜福利视频在线观看一区| 亚洲七黄色美女视频| 久久人人精品亚洲av| 搞女人的毛片| 一级毛片高清免费大全| 国产亚洲欧美98| 亚洲五月天丁香| 日本a在线网址| 国产欧美日韩一区二区三| 99久久久亚洲精品蜜臀av| 亚洲色图av天堂| 亚洲av中文字字幕乱码综合| 国产综合懂色| 国产精品久久电影中文字幕| x7x7x7水蜜桃| 亚洲精华国产精华精| 舔av片在线| 深夜精品福利| 国内揄拍国产精品人妻在线| 好男人电影高清在线观看| 在线天堂最新版资源| 内射极品少妇av片p| 国产高清三级在线| 三级毛片av免费| 久久天躁狠狠躁夜夜2o2o| 亚洲av第一区精品v没综合| 女生性感内裤真人,穿戴方法视频| www日本在线高清视频| 亚洲国产欧美网| 国产又黄又爽又无遮挡在线| 亚洲人成网站在线播| aaaaa片日本免费| 99riav亚洲国产免费| 深爱激情五月婷婷| 黄色视频,在线免费观看| 噜噜噜噜噜久久久久久91| 国产三级黄色录像| 欧美日韩中文字幕国产精品一区二区三区| 宅男免费午夜| eeuss影院久久| www日本黄色视频网| 少妇丰满av| 五月伊人婷婷丁香| 无遮挡黄片免费观看| 午夜免费成人在线视频| 日韩人妻高清精品专区| 在线观看av片永久免费下载| 12—13女人毛片做爰片一| 午夜福利高清视频| 伊人久久大香线蕉亚洲五| 国产免费一级a男人的天堂| 亚洲一区二区三区色噜噜| 我的老师免费观看完整版| 亚洲国产高清在线一区二区三| 两性午夜刺激爽爽歪歪视频在线观看| 国产亚洲精品av在线| 成人一区二区视频在线观看| 亚洲天堂国产精品一区在线| 日本在线视频免费播放| 99久久成人亚洲精品观看| 国产在视频线在精品| 最新美女视频免费是黄的| 亚洲av成人精品一区久久| 亚洲欧美日韩高清在线视频| 久久国产精品人妻蜜桃| 亚洲avbb在线观看| 欧美另类亚洲清纯唯美| 中文字幕人妻熟人妻熟丝袜美 | 中文亚洲av片在线观看爽| h日本视频在线播放| 免费无遮挡裸体视频| 国产伦一二天堂av在线观看| 18+在线观看网站| 国产熟女xx| 人人妻人人看人人澡| 在线观看舔阴道视频| 欧美+日韩+精品| 搡老熟女国产l中国老女人| 99国产精品一区二区三区| www日本在线高清视频| h日本视频在线播放| 麻豆成人av在线观看| 精品不卡国产一区二区三区| 午夜两性在线视频| 12—13女人毛片做爰片一| 日本免费一区二区三区高清不卡| 日本五十路高清| 人人妻,人人澡人人爽秒播| 亚洲精品一区av在线观看| 国产午夜精品久久久久久一区二区三区 | 啦啦啦免费观看视频1| 午夜福利18| 2021天堂中文幕一二区在线观| 国产三级在线视频| 五月伊人婷婷丁香| 亚洲精品成人久久久久久| 色在线成人网| www日本黄色视频网| 午夜a级毛片| 久久精品夜夜夜夜夜久久蜜豆| 男女下面进入的视频免费午夜| 国产私拍福利视频在线观看| 亚洲内射少妇av| 亚洲av电影在线进入| 国产一区二区三区在线臀色熟女| 露出奶头的视频| 琪琪午夜伦伦电影理论片6080| 露出奶头的视频| 综合色av麻豆| 亚洲狠狠婷婷综合久久图片| 最近视频中文字幕2019在线8| 69人妻影院| 亚洲五月天丁香| 亚洲五月婷婷丁香| 国产亚洲精品久久久com| 久久久国产成人免费| 色播亚洲综合网| 69av精品久久久久久| 一a级毛片在线观看| 国产主播在线观看一区二区| 亚洲乱码一区二区免费版| 亚洲成人精品中文字幕电影| 无遮挡黄片免费观看| 99久久九九国产精品国产免费| netflix在线观看网站| 中文资源天堂在线| 国产熟女xx| 9191精品国产免费久久| 一区二区三区国产精品乱码| 午夜日韩欧美国产| 少妇熟女aⅴ在线视频| 精品不卡国产一区二区三区| 动漫黄色视频在线观看| 一个人看的www免费观看视频| 亚洲精品一卡2卡三卡4卡5卡| 色哟哟哟哟哟哟| 久久精品人妻少妇| 伊人久久大香线蕉亚洲五| 91字幕亚洲| 99国产极品粉嫩在线观看| 国产免费一级a男人的天堂| 亚洲av成人av| 操出白浆在线播放| 日韩欧美在线乱码| 美女大奶头视频| 亚洲性夜色夜夜综合| 亚洲精品456在线播放app | 又黄又粗又硬又大视频| 女同久久另类99精品国产91| 午夜福利在线在线| 午夜免费观看网址| 超碰av人人做人人爽久久 | 一级作爱视频免费观看| 桃色一区二区三区在线观看| 精品人妻一区二区三区麻豆 | 少妇裸体淫交视频免费看高清| 免费人成视频x8x8入口观看| 最近在线观看免费完整版| 国产成人欧美在线观看| 怎么达到女性高潮| 国产精品乱码一区二三区的特点| 亚洲成人免费电影在线观看| 久久中文看片网| 深爱激情五月婷婷| 欧美zozozo另类| 午夜免费激情av| 一级黄片播放器| 中文字幕人妻熟人妻熟丝袜美 | 亚洲精品一区av在线观看| www.色视频.com| 制服丝袜大香蕉在线| 国产真实乱freesex| 亚洲avbb在线观看| 成人精品一区二区免费| 在线a可以看的网站| 午夜福利在线在线| 老汉色av国产亚洲站长工具| 欧美性猛交黑人性爽| 舔av片在线| 亚洲五月婷婷丁香| 色视频www国产| 精品久久久久久久久久免费视频| 岛国在线观看网站| 老汉色∧v一级毛片| 精品久久久久久,| 99热只有精品国产| 观看美女的网站| 久久久国产成人免费| 老司机福利观看| 国产成人av激情在线播放| 欧美高清成人免费视频www| 精品福利观看| 精品人妻1区二区| 一进一出好大好爽视频| 我要搜黄色片| 熟女人妻精品中文字幕| 欧美丝袜亚洲另类 | 亚洲国产高清在线一区二区三| 波多野结衣高清无吗| 国产欧美日韩精品亚洲av| 最近最新免费中文字幕在线| 美女高潮的动态| 亚洲在线自拍视频| 搞女人的毛片| 神马国产精品三级电影在线观看| 97超视频在线观看视频| 免费看美女性在线毛片视频| 18美女黄网站色大片免费观看| 久久久久性生活片| 国产真实乱freesex| 在线免费观看的www视频| 日本在线视频免费播放| 精华霜和精华液先用哪个| 亚洲人成网站高清观看| 成年女人毛片免费观看观看9| 最新在线观看一区二区三区| 中文字幕人妻熟人妻熟丝袜美 | 床上黄色一级片| 国产精品自产拍在线观看55亚洲| 18禁美女被吸乳视频| 国产亚洲av嫩草精品影院| 两人在一起打扑克的视频| 窝窝影院91人妻| 12—13女人毛片做爰片一| 亚洲片人在线观看| 俄罗斯特黄特色一大片| 午夜激情欧美在线| 丁香六月欧美| 欧美一区二区精品小视频在线| 波多野结衣高清作品| 真人一进一出gif抽搐免费| 亚洲人成网站高清观看| 国产精品久久久久久久电影 | 又爽又黄无遮挡网站| 国产亚洲精品av在线| 嫩草影视91久久| 亚洲精品粉嫩美女一区| 一本一本综合久久| 国产在线精品亚洲第一网站| 中文亚洲av片在线观看爽| 久久中文看片网| 高清毛片免费观看视频网站| 亚洲精品456在线播放app | 日本精品一区二区三区蜜桃| 18禁裸乳无遮挡免费网站照片| 丰满人妻熟妇乱又伦精品不卡| 白带黄色成豆腐渣| 搡女人真爽免费视频火全软件 | 亚洲成人免费电影在线观看| 无遮挡黄片免费观看| 露出奶头的视频| 18禁黄网站禁片午夜丰满| av专区在线播放| 三级国产精品欧美在线观看| 香蕉av资源在线| 亚洲aⅴ乱码一区二区在线播放| 少妇的丰满在线观看| 看黄色毛片网站| 99久久久亚洲精品蜜臀av| 久久精品影院6| 久久久久九九精品影院| 午夜久久久久精精品| av天堂中文字幕网| 久久精品国产亚洲av香蕉五月| 99久久无色码亚洲精品果冻| 女人被狂操c到高潮| 亚洲一区二区三区不卡视频| 日本与韩国留学比较| 香蕉丝袜av| www国产在线视频色| 91在线观看av| 3wmmmm亚洲av在线观看| 男人和女人高潮做爰伦理| 国内精品久久久久精免费| 亚洲中文字幕一区二区三区有码在线看| 国产欧美日韩一区二区三| 一本久久中文字幕| 午夜精品一区二区三区免费看| 麻豆久久精品国产亚洲av| 免费高清视频大片| 无人区码免费观看不卡| 欧美日本视频| 波多野结衣高清无吗| 一夜夜www| 亚洲第一欧美日韩一区二区三区| 久久精品国产亚洲av涩爱 | 99riav亚洲国产免费| 国产精品 欧美亚洲| 婷婷精品国产亚洲av| 午夜a级毛片| 99久久无色码亚洲精品果冻| svipshipincom国产片| 亚洲色图av天堂| 国内揄拍国产精品人妻在线| 99国产精品一区二区蜜桃av| 特大巨黑吊av在线直播| 欧美激情久久久久久爽电影| 色噜噜av男人的天堂激情| 中亚洲国语对白在线视频| 国产久久久一区二区三区| av福利片在线观看| 欧美午夜高清在线| 亚洲五月婷婷丁香| 中文在线观看免费www的网站| 精品不卡国产一区二区三区| 欧美午夜高清在线| 午夜福利视频1000在线观看| av黄色大香蕉| 亚洲电影在线观看av| 丰满人妻一区二区三区视频av | 99久久精品国产亚洲精品| 国产成+人综合+亚洲专区| 亚洲国产精品999在线| 最近最新中文字幕大全免费视频| 欧美成人免费av一区二区三区| 岛国在线观看网站| 搡女人真爽免费视频火全软件 | 日韩成人在线观看一区二区三区| 制服丝袜大香蕉在线| 免费看日本二区| 亚洲专区国产一区二区| 岛国视频午夜一区免费看| 一级作爱视频免费观看| 日韩欧美在线乱码| 97人妻精品一区二区三区麻豆| 国产高清有码在线观看视频| 级片在线观看| 亚洲电影在线观看av| 国产三级黄色录像| av片东京热男人的天堂| 国内精品一区二区在线观看| 搡女人真爽免费视频火全软件 | 亚洲美女黄片视频| 国产黄色小视频在线观看| 尤物成人国产欧美一区二区三区| 国产一区二区三区视频了| 色综合站精品国产| 91麻豆av在线| 精品国产超薄肉色丝袜足j| 国产一区二区激情短视频| 欧美丝袜亚洲另类 | 日本黄大片高清| 欧美日韩中文字幕国产精品一区二区三区| 国产视频内射| 欧美日韩精品网址| 亚洲国产欧洲综合997久久,| 很黄的视频免费| 国产精品99久久99久久久不卡| 国产蜜桃级精品一区二区三区| 精品欧美国产一区二区三| 看片在线看免费视频| 淫秽高清视频在线观看| 一进一出好大好爽视频| 99热6这里只有精品| 波野结衣二区三区在线 | 狠狠狠狠99中文字幕| 国产色爽女视频免费观看| 一区二区三区高清视频在线| 18禁美女被吸乳视频| 精品久久久久久久久久免费视频| 午夜影院日韩av| 午夜免费激情av| 9191精品国产免费久久| 他把我摸到了高潮在线观看| 国产麻豆成人av免费视频| 成人高潮视频无遮挡免费网站| 美女高潮喷水抽搐中文字幕| av片东京热男人的天堂| 免费av不卡在线播放| 亚洲精品国产精品久久久不卡| 成人18禁在线播放| 国产三级中文精品| 天天躁日日操中文字幕| 波多野结衣巨乳人妻| 香蕉av资源在线| 99热这里只有精品一区| 波多野结衣高清无吗| 亚洲国产色片| 老熟妇乱子伦视频在线观看| 国产精品日韩av在线免费观看| 亚洲avbb在线观看| 亚洲av成人不卡在线观看播放网| 男人的好看免费观看在线视频| 变态另类成人亚洲欧美熟女| 最近最新中文字幕大全免费视频| 国产精品亚洲美女久久久| 偷拍熟女少妇极品色| 成人精品一区二区免费| 国产一区二区激情短视频| 美女被艹到高潮喷水动态| 亚洲美女视频黄频| 99热6这里只有精品| 夜夜看夜夜爽夜夜摸| 观看美女的网站| 国产激情偷乱视频一区二区| 在线观看一区二区三区| 少妇人妻精品综合一区二区 | 97人妻精品一区二区三区麻豆| 久9热在线精品视频| 国产精品国产高清国产av| 色综合站精品国产| 国产高清三级在线| 亚洲自拍偷在线| 国产淫片久久久久久久久 | 99久久精品国产亚洲精品| 午夜福利在线观看免费完整高清在 | 真人一进一出gif抽搐免费| 婷婷亚洲欧美| 叶爱在线成人免费视频播放| 脱女人内裤的视频| 他把我摸到了高潮在线观看| 99久国产av精品| 精品人妻1区二区| 毛片女人毛片| 欧美最新免费一区二区三区 | 中文字幕av成人在线电影| 中亚洲国语对白在线视频| 欧美绝顶高潮抽搐喷水| 中文字幕熟女人妻在线| 人人妻人人看人人澡| 黄片小视频在线播放| 精品久久久久久成人av| 久久人人精品亚洲av| 久久久国产成人免费| 亚洲人成网站在线播放欧美日韩| 18禁美女被吸乳视频| 亚洲午夜理论影院| 国产一区二区在线av高清观看| 国产高清videossex| 国产一区在线观看成人免费| 亚洲国产精品sss在线观看| 日韩亚洲欧美综合| 国产精品久久久久久久电影 | 韩国av一区二区三区四区| АⅤ资源中文在线天堂| 观看免费一级毛片| 国产精品久久久久久精品电影| 欧美极品一区二区三区四区| 亚洲美女黄片视频| 99热6这里只有精品| 国内少妇人妻偷人精品xxx网站| 午夜免费激情av| 精品不卡国产一区二区三区| 欧美在线一区亚洲| 少妇熟女aⅴ在线视频| 免费看美女性在线毛片视频| 久久久久久久久中文| 久久香蕉国产精品| 高潮久久久久久久久久久不卡| 国产精品,欧美在线| 国产久久久一区二区三区| 欧美bdsm另类| 国产精品久久久久久久久免 | 一区二区三区国产精品乱码| 深夜精品福利| 真实男女啪啪啪动态图| 午夜免费观看网址| 国内久久婷婷六月综合欲色啪| 成人三级黄色视频| 亚洲一区高清亚洲精品| 女人高潮潮喷娇喘18禁视频| 一级黄片播放器| 国产精品久久电影中文字幕| 美女大奶头视频| 99热6这里只有精品| 女同久久另类99精品国产91| 国产一区二区激情短视频| 国产成人av激情在线播放| 18禁黄网站禁片免费观看直播| 毛片女人毛片| 黄色日韩在线| 成人无遮挡网站| 亚洲av二区三区四区| 国产高清有码在线观看视频| 国产激情欧美一区二区| 哪里可以看免费的av片| 日本一本二区三区精品| 欧美黄色片欧美黄色片| 最近最新中文字幕大全电影3| 91麻豆精品激情在线观看国产| 日本在线视频免费播放| 国产精品av视频在线免费观看| 99久久综合精品五月天人人| 亚洲国产精品999在线| 老司机午夜福利在线观看视频| 少妇人妻一区二区三区视频| 免费看日本二区| 少妇丰满av| 国产久久久一区二区三区| 国产精品av视频在线免费观看| 亚洲国产精品久久男人天堂| 久久这里只有精品中国| 国产久久久一区二区三区| 婷婷六月久久综合丁香| 欧美国产日韩亚洲一区| 国产蜜桃级精品一区二区三区| 丰满人妻熟妇乱又伦精品不卡| 亚洲美女视频黄频|