• <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 ?

    一種融合語義知識和BiLSTM-CNN的短文本分類方法

    2021-11-20 01:07:27楊秀璋李曉峰袁杰李坤琪楊鑫羅子江
    計算機時代 2021年11期
    關(guān)鍵詞:深度學習

    楊秀璋 李曉峰 袁杰 李坤琪 楊鑫 羅子江

    DOI:10.16644/j.cnki.cn33-1094/tp.2021.11.013

    摘? 要: 為快速準確地從海量新聞中挖掘用戶需求,解決短文本語義關(guān)系單薄、篇幅較短、特征稀疏問題,提出一種融合語義知識和BiLSTM-CNN的短文本分類方法。該分類模型將新聞短文本預(yù)處理成Word2Vec詞向量,通過卷積神經(jīng)網(wǎng)絡(luò)提取代表性的局部特征,利用雙向長短時記憶網(wǎng)絡(luò)捕獲上下文語義特征,再由Softmax分類器實現(xiàn)短文本分類。文章對體育、財經(jīng)、教育、文化和游戲五大主題的新聞?wù)Z料進行了實驗性的分析。結(jié)果表明,融合語義知識和BiLSTM-CNN的短文本分類方法在準確率、召回率和F1值上均有所提升,該方法可以為短文本分類和推薦系統(tǒng)提供有效支撐。

    關(guān)鍵詞: 短文本分類; BiLSTM-CNN; 深度學習; 語義知識

    中圖分類號:TP391? ? ? ? ? 文獻標識碼:A? ? ?文章編號:1006-8228(2021)11-49-06

    A short text classification method fusing semantic knowledge and BiLSTM-CNN

    Yang Xiuzhang, Li Xiaofeng, Yuan Jie, Li Kunqi, Yang Xin, Luo Zijiang

    (School of Information of Guizhou University of Finance and Economics, Guiyang, Guizhou 550025, China)

    Abstract: In order to quickly and accurately tap users needs from mass news, to solve the problems of thin semantic relations, short length, and sparse features in short texts, this paper proposes a short text classification method combining semantic knowledge and BiLSTM-CNN. In this classification model, news short texts are preprocessed into Word2Vec word vectors, representative local features are extracted by convolutional neural network, contextual semantic features are captured by bidirectional short and long time memory network, and then the short texts are classified by Softmax classifier. This paper experimentally analyzes the news corpus of five topics, namely sports, finance, education, culture and games. The results show that the short text classification method combining semantic knowledge and BiLSTM-CNN has improved in accuracy, recall rate and F1 value. This method can provide effective support for short text classification and recommendation system.

    Key words: short text classification; BiLSTM-CNN; deep learning; semantic knowledge

    0 引言

    隨著互聯(lián)網(wǎng)與社交網(wǎng)絡(luò)的迅速發(fā)展,以搜索引擎、微博、論壇、博客、評論等為主體的海量短文本信息與日俱增,如何快速精準地將其進行歸類,挖掘出所需的關(guān)鍵知識及研究熱點,已成為重要的研究課題。

    文本分類作為自然語言處理領(lǐng)域的一個熱點和難點,旨在精準地劃分文本的主題類別,再通過推薦系統(tǒng)或知識圖譜實現(xiàn)關(guān)聯(lián)個性化推薦,幫助用戶從雜亂信息中快速、高效地提取所需知識。面對大規(guī)模短文本語料,傳統(tǒng)分類方法是采用向量空間模型表征短文本,再進行相似性計算,或通過機器學習實現(xiàn)文本分類,缺乏對短文本上下文語義的關(guān)聯(lián)分析,難以避免引入干擾信息和克服短文本的特征稀疏問題,較難挖掘到深層次的文本特征,從而限制了短文本分類的精準度[1]。針對這些問題,本文提出一種融合語義知識和BiLSTM-CNN的短文本分類方法,從而有效地利用上下文語義知識,提高短文本分類的精準度。

    1 相關(guān)研究

    1.1 基于機器學習的文本分類

    傳統(tǒng)的文本分類方法是基于機器學習和特征工程實現(xiàn)的,國內(nèi)外學者進行了大量研究。常用的方法包括SVM、KNN、決策樹、樸素貝葉斯等[2-3]。劉一然等[4]提出了基于支持向量機(SVM)的學科文本自動分類方法。周慶平等[5]通過聚類改進KNN文本分類算法提升分類效果。何偉[6]應(yīng)用基于IGDC特征加權(quán)的樸素貝葉斯方法進行文本分類,并實現(xiàn)了多種中文文本數(shù)據(jù)集的對比實驗。Elberrichi和Bidi[7]通過遺傳算法改進文本分類特征提取過程,提升分類的準確率。楊曉花等[8]改進貝葉斯算法,完成圖書自動分類任務(wù)。

    上述方法雖然不斷提升著文本分類的準確率,但只能提取文本的淺層知識,缺乏考慮文本上下文依賴關(guān)系,忽略語義知識對文本分類的影響。早期基于機器學習的文本分類方法主要通過詞頻、TF-IDF、信息熵、互信息等技術(shù)提取文本特征,再調(diào)用無監(jiān)督學習或有監(jiān)督學習算法進行文本分類,這些評估函數(shù)大多基于統(tǒng)計學原理,缺乏對海量短文本數(shù)據(jù)的有效分類[9]。

    1.2 基于深度學習的文本分類

    隨著深度學習和人工智能的興起,以詞向量模型為基礎(chǔ),融合深度神經(jīng)網(wǎng)絡(luò)、LDA模型、Attention機制的短文本分類方法逐漸出現(xiàn)。2013年Mikolov等[10]提出了Word2Vec模型,通過訓練大規(guī)模語料得到低維詞向量,從而表征語義信息,常用框架包括CBOW和Skip-gram。

    近年來,深度學習的各類方法開始廣泛應(yīng)用于文本分類領(lǐng)域。Kim[11]首次運用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)來進行特征提取及文本分類。Zhang等[12]基于字符級的卷積神經(jīng)網(wǎng)絡(luò)模型提升分類準確率。陳波[13]改進卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)文本分類,從而提升準確率、召回率和F值。邱爾麗等[14]通過字符級CNN技術(shù)完成公共政策網(wǎng)民支持的分類研究。

    同時,由于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, 簡稱RNN)可以聯(lián)系上下文突出文本序列信息,它也被應(yīng)用于自然語言處理領(lǐng)域。為進一步解決RNN模型的梯度爆炸和梯度消失問題,門控遞歸單元網(wǎng)絡(luò)(GRU)和長短時記憶網(wǎng)絡(luò)(LSTM)被提出并應(yīng)用于文本分類任務(wù)。Lai等[15]通過RCNN模型提取文本特征及實現(xiàn)文本分類。李云紅等[16]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)變體和卷積神經(jīng)網(wǎng)絡(luò)的文本分類方法。梁志劍等[17]提出一種基于BiGRU和貝葉斯分類器的文本分類方法,有效提高了文本分類的效率和準確率。鄭國偉等[18]通過LSTM模型對金融領(lǐng)域的新聞數(shù)據(jù)進行分類。Zhou等[19]在BiLSTM模型中融合二維池化操作,實現(xiàn)文本特征提取和文本分類。為了更好地提取重點關(guān)注的文本數(shù)據(jù),注意力(Attention)機制被引入深度神經(jīng)網(wǎng)絡(luò)及自然語言處理任務(wù)中。Wang等[20]結(jié)合LSTM模型和注意力機制實現(xiàn)情感分類研究。陶志勇等[1]提出了基于雙向長短時記憶網(wǎng)絡(luò)的改進注意力短文本分類方法。張宇藝等[21]通過改進CBOW模型,并結(jié)合ABiGRU方法實現(xiàn)文本分類。張彥楠等[22]融合CNN、雙向GRU及注意力機制,完成錄音文本分類任務(wù)。姚苗等[23]提出自注意力機制的Att-BLSTMs模型并應(yīng)用于短文本分類研究,有效地提高了短文本分類的準確率。

    綜上所述,BiLSTM模型可以提取上下文語義知識,CNN和RNN模型可以捕獲具有代表性的局部文本特征,Attention機制能夠突出詞語的重要性,強化網(wǎng)絡(luò)模型的學習和泛化能力。本文在以上研究基礎(chǔ)上提出一種融合語義知識和BiLSTM-CNN的短文本分類模型,整個模型盡可能地發(fā)揮CNN、BiLSTM和Attention的優(yōu)勢,提升短文本分類的準確率,多角度考慮短文本分類的互補性及協(xié)調(diào)性。

    2 本文模型

    本文針對短文本語義關(guān)系單薄、篇幅較短、特征稀疏等問題,提出了一種融合BiLSTM-CNN和語義知識的短文本分類模型。

    2.1 算法總體框架

    該模型將短文本預(yù)處理成Word2Vec詞向量,再通過卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層把文本詞向量表征成句子詞向量,結(jié)合BiLSTM神經(jīng)網(wǎng)絡(luò)和Attention機制構(gòu)建文本向量,最終得出分類結(jié)果。本文方法的總體框架如圖1所示。具體步驟如下。

    ⑴ 首先通過Python和XPath構(gòu)建自定義爬蟲抓取新聞標題數(shù)據(jù),包括體育、財經(jīng)、教育、文化和游戲五大主題;接著進行數(shù)據(jù)預(yù)處理操作,計算輸入層的詞向量。

    ⑵ 輸入層中嵌入的詞向量會將文本中的每一個詞匯表征為相應(yīng)的詞向量空間,接著輸入卷積神經(jīng)網(wǎng)絡(luò),卷積層由多個濾波器組成,池化層提取出具有代表性的局部特征。

    ⑶ 雙向長短時記憶網(wǎng)絡(luò)層(BiLSTM)旨在提取上下文語義特征,BiLSTM能夠更好地捕捉到雙向語義依賴,從而進行細粒度的分類。

    ⑷ 當BiLSTM層完成上下文語義特征提取后,其輸出會通過Attention機制進一步突出所提取的關(guān)鍵性詞語,并賦予相關(guān)權(quán)重。

    ⑸ 最后,經(jīng)過BiLSTM-CNN和Attention神經(jīng)網(wǎng)絡(luò)得到的特征向量,會由Softmax分類器計算短文本的分類結(jié)果,完成分類任務(wù)。

    2.2 數(shù)據(jù)預(yù)處理

    在進行短文本分類任務(wù)前,需要對語料進行數(shù)據(jù)預(yù)處理操作,主要包括以下內(nèi)容。

    ⑴ 分詞。本文抓取了搜索引擎的新聞標題數(shù)據(jù)作為實驗語料,中文分詞采用Jieba工具完成,并導入自定義詞典進行專有名詞識別。

    ⑵ 停用詞過濾。通過Python導入哈爾濱工業(yè)大學停用詞表、百度停用詞表和四川大學停用詞表進行數(shù)據(jù)清洗,過濾掉如“我們”“的”“這”等停用詞以及標點符號。

    ⑶ 異常值處理。在中文文本中,還會存在一些異常的詞匯,此時需要進行適當?shù)霓D(zhuǎn)換及人工標注,從而為后續(xù)的文本分類提供輔助。

    經(jīng)過上述處理,將得到更高質(zhì)量的短文本數(shù)據(jù)集,從而提升分類效果。最后將清洗后的數(shù)據(jù)及類標存儲至數(shù)據(jù)庫中,進行后續(xù)的短文本分類實驗。

    2.3 Word2Vec詞向量

    詞向量是自然語言處理領(lǐng)域中的基礎(chǔ)知識,在文本挖掘、語義分析、情感分析等方面具有一定的價值。Word2Vec是2013年Google開源的一款基于詞向量的計算工具,旨在根據(jù)上下文信息表征特征詞,通過向量空間的相似度來表示語義相似度,從而挖掘出詞語之間的內(nèi)在語義知識和關(guān)聯(lián)信息。

    Word2Vec包括CBOW模型和Skip-gram模型。其中,CBOW模型是通過上下文來預(yù)測當前詞的概率,已知上下文w(t-1)、w(t-2)、w(t+1)、w(t+2),對當前詞w(t)的概率進行預(yù)測;Skip-gram模型則是利用當前詞的詞向量來預(yù)測上下文。圖2為基于Word2Vec和深度學習的文本分類模型,它將句子轉(zhuǎn)換為詞向量并結(jié)合上下文語義知識完成分類任務(wù),識別出文化(類標0)和體育(類標1)兩個類別。

    2.4 卷積神經(jīng)網(wǎng)絡(luò)模型

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, 簡稱CNN)通過提取局部特征進行文本分類,利用卷積核滑動搜集句子信息來提取特征,從而提高特征利用率。典型的CNN模型包括輸入層、卷積層、池化層和全連接層。

    卷積層旨在提取輸入語料的數(shù)據(jù)特征,采用不同尺寸的卷積核進行卷積運算,其計算如公式(1)所示,最終得到新的特征hdi。

    其中,f表示ReLU激活函數(shù),wd表示大小為d的卷積核,Vi表示輸入層的詞向量,bd表示偏置項。通過設(shè)置d個不同大小的卷積核對Vi進行特征提取,滑動濾波器映射得到最終的局部特征集合Hd:

    池化層旨在降低數(shù)據(jù)維度,縮減文本特征向量和網(wǎng)絡(luò)參數(shù)的大小,同時能保持文本特征統(tǒng)計屬性并增大模型的適應(yīng)性。本文對卷積操作得到的局部特征Hd進行池化操作,采用最大池化方法來提取特征,其計算公式如下:

    經(jīng)過池化層提取出文本的局部重要特征,接著將所有池化層得到的特征在全連接層進行組合,得到輸出向量S。最后將全連接層輸出向量S輸入Softmax分類器中進行短文本分類,從而預(yù)測最終類別。

    2.5 BiLSTM模型和Attention

    雙向長短時記憶網(wǎng)絡(luò)模型(Bi-directional Long Short-Term Memory, 簡稱BiLSTM)可以從兩個方向?qū)渥舆M行編碼,提取上下文語義特征,更好地捕捉到雙向語義依賴,從而進行細粒度的分類。

    針對在短文本分類任務(wù)中,不同詞語對整個文本語義的貢獻不同,本文利用Attention機制為BiLSTM-CNN模型的輸出賦予不同的權(quán)重,從而將單詞級別的特征融合成句子級別的特征,提高關(guān)鍵詞信息對分類結(jié)果的影響。最后,經(jīng)過Attention機制得到了向量將輸入到softmax分類器中,從而實現(xiàn)短文本分類任務(wù)。

    3 實驗

    提出一種融合語義知識的短文本分類方法,為驗證其有效性和實用性,采用TensorFlow深度學習框架構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進行對比實驗。

    3.1 實驗數(shù)據(jù)和預(yù)處理

    實驗通過Python自定義爬蟲采集50000條新聞標題數(shù)據(jù),涉及體育、財經(jīng)、教育、文化和游戲共五個主題,并將數(shù)據(jù)集按照6:2:2的比例隨機劃分成訓練集、驗證集和測試集,具體數(shù)據(jù)分布情況如表1所示。數(shù)據(jù)預(yù)處理采用Jieba工具實現(xiàn),包括對文本語料的中文分詞、停用詞過濾、去除低頻特征詞等,從而提高文本分類的準確率。

    3.2 評估指標

    文本分類任務(wù)通常會采用準確率(Precision)、召回率(Recall)和F值(F-measure)評價指標。其計算公式如下:

    其中,TP表示短文本分類正確的數(shù)量,Sum表示實際分類的文本數(shù)量,TS表示屬于該類別的文本數(shù)量。準確率旨在評估被分類模型正確劃分到某個類別中的比例,召回率旨在評估屬于某個類別的查全率,F(xiàn)值是準確率和召回率的加權(quán)調(diào)和平均值,常用于評價分類模型的最終好壞。

    3.3 實驗結(jié)果與分析

    為了保證實驗結(jié)果更加真實有效,本研究進行了多次交叉驗證,最終的實驗結(jié)果為10次短文本分類實驗結(jié)果的平均值。同時,該模型的文本序列長度設(shè)置為600,CNN模型的卷積核數(shù)量設(shè)置為128,卷積核尺寸設(shè)置為3,學習率為0.001,BiLSTM模型的正反向神經(jīng)元數(shù)均設(shè)置為300,詞向量維度為300,優(yōu)化算法選擇Adam優(yōu)化器,并且增加Dropout層防止出現(xiàn)過擬合現(xiàn)象。

    采用融合語義知識和BiLSTM-CNN方法對所抓取的新聞標題語料進行短文本分類,得到的實驗結(jié)果如表2所示。其中,短文本分類準確率最高的是體育類別,值為0.9253;準確率最低的是游戲類別,值為0.8745。短文本分類召回率最高的是游戲類別,值為0.9125;召回率最低的是財經(jīng)類別,值為0.8845;短文本分類F值最高的是體育類別,值為0.9178;F值最低的是財經(jīng)類別,值為0.8874。

    為進一步對比短文本分類的實驗結(jié)果,本文詳細對比了多種分類算法,其實驗結(jié)果如表3所示。由表可知,本文所提出方法在該數(shù)據(jù)集的短文本分類比較中,平均準確率、平均召回率和平均F值都有一定程度的提升。

    本文方法的平均準確率為0.9010,平均召回率為0.9006,平均F值為0.9008。相比于傳統(tǒng)的機器學習分類方法有較大提升,其平均F值比決策樹(DT)方法提升了0.0898,比最近鄰(KNN)方法提升了0.1145,比支持向量機(SVM)方法提升了0.855。

    本文方法與經(jīng)典的深度神經(jīng)網(wǎng)絡(luò)相比,F(xiàn)值也有一定程度提升,F(xiàn)值分別比CNN、GRU、LSTM和BiLSTM高出0.0585、0.0675、0.0560和0.0445。隨著文本分類模型進一步演化,TextCNN和Attention機制融合模型逐漸被提出,本文方法依舊顯示優(yōu)于這些方法,其F值比TextCNN模型提升0.0194,比Attention+CNN模型提升0.0124,比Attention+BiLSTM模型提升0.0091??傮w而言,本文提出的方法在該新聞標題中文數(shù)據(jù)集的短文本分類效果更好。

    同時,該模型的正確率(Accuracy)和誤差變化曲線如圖4和圖5所示。隨著迭代次數(shù)增加,其正確率逐漸升高,而誤差逐漸降低,并且每隔100次迭代輸出一次結(jié)果。最終趨于平緩,BiLSTM-CNN和Attention模型正確率穩(wěn)定在0.9078,誤差穩(wěn)定在0.001。

    4 結(jié)束語

    針對短文本語義關(guān)系單薄、篇幅較短、特征稀疏問題,本文提出了一種融合BiLSTM-CNN和語義知識的短文本分類模型。通過CNN模型提取短文本的局部特征,利用BiLSTM提取上下文語義依賴,考慮文本中每個詞語前后的語義關(guān)系影響,并經(jīng)過Attention機制進一步突出所提取的關(guān)鍵性詞語,賦予相關(guān)權(quán)重,從而提升短文本的準確率。實驗結(jié)果表明,本文提出的方法優(yōu)于傳統(tǒng)的機器學習分類方法和經(jīng)典的深度學習分類方法,最終的平均準確率為0.9010,平均召回率為0.9006,平均F值為0.9008。相較于其他方法,這三個評價指標均有所提升。本文的方法可以應(yīng)用于短文本分類、推薦系統(tǒng)、數(shù)據(jù)挖掘、自然語言處理等領(lǐng)域,具有較好的準確率和實用性。未來,將一方面進一步擴大實驗數(shù)據(jù)集,研究該算法的普適性;另一方面將結(jié)合深度語義知識,進一步提升模型對文本分類準確率的影響。

    參考文獻(References):

    [1] 陶志勇,李小兵,劉影等.基于雙向長短時記憶網(wǎng)絡(luò)的改進注意力短文本分類方法[J].數(shù)據(jù)分析與知識發(fā)現(xiàn),2019.12:21-29

    [2] 郭詩瑤.融合上下文信息的文本分類算法的研究及應(yīng)用[D].北京郵電大學,2019:27

    [3] 楊秀璋,夏換,于小民等.基于多視圖融合的論文自動分類方法研究[J].現(xiàn)代電子技術(shù),2020.43(8):120-124

    [4] Joachims T. Text categorization with support vector machines:? learning with many relevant features[J]. Proc of the 10th European Conf on Machine Learning (ECML-98).Chemnitz: Springer-Verlag,1998:137-142

    [5] 周慶平,譚長庚,王宏君等.基于聚類改進的KNN文本分類算法[J].計算機應(yīng)用研究,2016.33(11):3374-3377

    [6] 何偉.基于樸素貝葉斯的文本分類算法研究[D].南京郵電大學,2019:22

    [7] BidiN,Elberrichi Z. Feature selection for text classification using genetic algorithm[C]//International Conference on Modelling,Identification and Control. IEEE,2017:806-810

    [8] 楊曉花,高海云.基于改進貝葉斯的書目自動分類算法[J].計算機科學,2018.45(8):203-207

    [9] 熊漩,嚴佩敏.融合多頭自注意力機制的中文分類方法[J].電子測量技術(shù),2020.43(10):125-130

    [10] MikolovT,ChenKai,CorradoG,et al. Efficient estimation of word representations in vector space[J].arXiv:1301.3781,2013.

    [11] Kim Y. Convolutional neural networks for sentence classification[J].Association for the Computation Linguistics,2014.15(6):1746-1751

    [12] Zhang X, Zhao J, Lecun Y. Character-level convolutional networks for text classification[C] //International Conferenceon Neural Information Processing Systems.MIT Press,2015:649-657

    [13] 陳波.基于循環(huán)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)文本分類方法[J].重慶郵電大學學報(自然科學版),2018.30(5): 705-710

    [14] 邱爾麗,何鴻魏,易成岐等.基于字符級CNN技術(shù)的公共政策網(wǎng)民支持度研究[J].數(shù)據(jù)分析與知識發(fā)現(xiàn),2020.4(7):28-37

    [15] Lai S, Xu L, Liu K, et al. Recurrent convolutional neural networks for text classification[C] //Proc of the 29th AAAI Conference on Artificial Intelligence,2015:2267-2273

    [16] 李云紅,梁思程,任劼等.基于循環(huán)神經(jīng)網(wǎng)絡(luò)變體和卷積神經(jīng)網(wǎng)絡(luò)的文本分類方法[J].西北大學學報(自然科學版),2019.49(4):573-579

    [17] 梁志劍,謝紅宇,安衛(wèi)鋼.基于BiGRU和貝葉斯分類器的文本分類[J].計算機工程與設(shè)計,2020.41(2): 381-385

    [18] 鄭國偉,呂學強,夏紅科等.基于LSTM的金融新聞傾向性[J].計算機工程與設(shè)計,2018.39(11):3462-3467

    [19] Zhou P, Qi Z, Zheng S, et al. Text Classification Improved by Integrating Bidirectional LSTM with Two-dimensional Max Pooling[OL]. arXiv Preprint, arXiv: 1611.06639

    [20] Wang Y, Huang M, Zhao L, et al. Attention-based LSTM for Aspect-level Sentiment Classification[C] //Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics,2016:606-615

    [21] 張宇藝,左亞堯,陳小幫.基于改進的CBOW與ABiGRU的文本分類研究[J].計算機工程與應(yīng)用,2019,55(24):135-140

    [22] 張彥楠,黃小紅,馬嚴等.基于深度學習的錄音文本分類方法[J].浙江大學學報 (工學版),2020.54(7):1-8

    [23] 姚苗,楊文忠,袁婷婷等.自注意力機制的短文本分類算法[J].計算機工程與設(shè)計,2020.41(6):1592-1598

    猜你喜歡
    深度學習
    有體驗的學習才是有意義的學習
    電子商務(wù)中基于深度學習的虛假交易識別研究
    MOOC與翻轉(zhuǎn)課堂融合的深度學習場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學習算法應(yīng)用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    一本精品99久久精品77| 亚洲五月色婷婷综合| 欧美色欧美亚洲另类二区| 亚洲熟妇熟女久久| 国语自产精品视频在线第100页| 国产av又大| 精品国产美女av久久久久小说| 天天一区二区日本电影三级| 精品日产1卡2卡| 18禁美女被吸乳视频| 黄色视频,在线免费观看| 日韩精品青青久久久久久| 国产在线精品亚洲第一网站| a级毛片在线看网站| www日本黄色视频网| 久久精品91蜜桃| 变态另类成人亚洲欧美熟女| 成人精品一区二区免费| 别揉我奶头~嗯~啊~动态视频| 国产亚洲欧美在线一区二区| 老司机靠b影院| 成人三级做爰电影| 高清毛片免费观看视频网站| 国产精品二区激情视频| 亚洲国产高清在线一区二区三 | 亚洲成人久久爱视频| 久久久久久久久久黄片| 日本免费一区二区三区高清不卡| 亚洲av中文字字幕乱码综合 | 亚洲欧洲精品一区二区精品久久久| 俄罗斯特黄特色一大片| 成人三级黄色视频| 国产伦在线观看视频一区| 十分钟在线观看高清视频www| 久久久国产精品麻豆| 精品不卡国产一区二区三区| 成人亚洲精品av一区二区| 久久久久久久精品吃奶| 国产不卡一卡二| 日日夜夜操网爽| 久久久精品国产亚洲av高清涩受| www.999成人在线观看| 欧美日韩黄片免| 亚洲欧美精品综合一区二区三区| 国产精品98久久久久久宅男小说| 久久久久精品国产欧美久久久| 午夜免费激情av| 亚洲精品色激情综合| 久久香蕉精品热| 精品国产乱子伦一区二区三区| 99精品久久久久人妻精品| 国产精品一区二区三区四区久久 | 日本五十路高清| 亚洲国产欧美网| 又大又爽又粗| 少妇被粗大的猛进出69影院| 国产精品电影一区二区三区| 免费看日本二区| 亚洲国产欧美一区二区综合| 国产私拍福利视频在线观看| 每晚都被弄得嗷嗷叫到高潮| 免费在线观看日本一区| 成人国语在线视频| 亚洲欧美一区二区三区黑人| 免费电影在线观看免费观看| 老司机靠b影院| 无限看片的www在线观看| 欧美成人免费av一区二区三区| 中国美女看黄片| 听说在线观看完整版免费高清| 国产不卡一卡二| avwww免费| 国产精品香港三级国产av潘金莲| 亚洲第一青青草原| 欧美成人午夜精品| 在线国产一区二区在线| 一卡2卡三卡四卡精品乱码亚洲| 成人午夜高清在线视频 | 大型av网站在线播放| 日韩欧美一区二区三区在线观看| 一进一出抽搐gif免费好疼| 精品国内亚洲2022精品成人| 首页视频小说图片口味搜索| a级毛片在线看网站| 在线天堂中文资源库| 两个人免费观看高清视频| 国产精品影院久久| www日本在线高清视频| 精品国产乱子伦一区二区三区| 亚洲av成人av| 欧美 亚洲 国产 日韩一| 色综合欧美亚洲国产小说| 国产熟女午夜一区二区三区| 国产精品av久久久久免费| 一区福利在线观看| 久久久水蜜桃国产精品网| 国产三级在线视频| 国产精品国产高清国产av| svipshipincom国产片| 久久午夜亚洲精品久久| 国产精品自产拍在线观看55亚洲| 老熟妇仑乱视频hdxx| 亚洲专区字幕在线| 午夜福利成人在线免费观看| av视频在线观看入口| 国产不卡一卡二| 日韩国内少妇激情av| 成人亚洲精品av一区二区| 国产精品久久视频播放| 欧美黑人欧美精品刺激| 男人舔女人的私密视频| 侵犯人妻中文字幕一二三四区| 男男h啪啪无遮挡| 久久人妻av系列| 少妇的丰满在线观看| a在线观看视频网站| 亚洲aⅴ乱码一区二区在线播放 | 亚洲真实伦在线观看| 黑人巨大精品欧美一区二区mp4| 9191精品国产免费久久| 亚洲欧洲精品一区二区精品久久久| bbb黄色大片| 日韩大码丰满熟妇| 性色av乱码一区二区三区2| 亚洲精品国产精品久久久不卡| www.999成人在线观看| 女生性感内裤真人,穿戴方法视频| 久久天堂一区二区三区四区| 男女午夜视频在线观看| 欧美日韩黄片免| 中文字幕精品免费在线观看视频| 日日摸夜夜添夜夜添小说| 久久人妻av系列| 欧美日韩亚洲国产一区二区在线观看| 日韩有码中文字幕| 午夜免费激情av| 欧美成人性av电影在线观看| 天天添夜夜摸| 一二三四社区在线视频社区8| 啦啦啦免费观看视频1| 婷婷精品国产亚洲av在线| 亚洲全国av大片| 亚洲五月色婷婷综合| 757午夜福利合集在线观看| 无限看片的www在线观看| 香蕉久久夜色| 美国免费a级毛片| 欧美 亚洲 国产 日韩一| 一区二区三区国产精品乱码| 人人澡人人妻人| 精品国产乱子伦一区二区三区| √禁漫天堂资源中文www| 91成人精品电影| 夜夜夜夜夜久久久久| 国产av在哪里看| 亚洲aⅴ乱码一区二区在线播放 | 久久精品人妻少妇| 亚洲熟女毛片儿| 日韩中文字幕欧美一区二区| 侵犯人妻中文字幕一二三四区| 国产精品99久久99久久久不卡| 亚洲av五月六月丁香网| 成人国产综合亚洲| 少妇熟女aⅴ在线视频| 欧美性长视频在线观看| 欧美绝顶高潮抽搐喷水| 久久精品亚洲精品国产色婷小说| 久久精品国产综合久久久| 午夜免费鲁丝| 国产又黄又爽又无遮挡在线| 欧美国产日韩亚洲一区| www国产在线视频色| 成人三级做爰电影| 久久久久国产一级毛片高清牌| xxx96com| 禁无遮挡网站| 国产精华一区二区三区| 一边摸一边抽搐一进一小说| www.www免费av| 精品无人区乱码1区二区| 国产熟女午夜一区二区三区| 啪啪无遮挡十八禁网站| 国产黄色小视频在线观看| 丝袜人妻中文字幕| 51午夜福利影视在线观看| 欧美zozozo另类| а√天堂www在线а√下载| 日韩av在线大香蕉| 99国产综合亚洲精品| 国产av不卡久久| 午夜福利一区二区在线看| av中文乱码字幕在线| 国产精品综合久久久久久久免费| 女同久久另类99精品国产91| 亚洲自偷自拍图片 自拍| 9191精品国产免费久久| 啦啦啦观看免费观看视频高清| 国产成人啪精品午夜网站| 非洲黑人性xxxx精品又粗又长| 两性夫妻黄色片| 这个男人来自地球电影免费观看| 国产成人影院久久av| 欧美成人一区二区免费高清观看 | 亚洲成a人片在线一区二区| 久久香蕉激情| 制服诱惑二区| 满18在线观看网站| av超薄肉色丝袜交足视频| 黄片大片在线免费观看| 精品熟女少妇八av免费久了| 国内精品久久久久久久电影| 欧美丝袜亚洲另类 | 大香蕉久久成人网| 久久精品国产99精品国产亚洲性色| 国产激情偷乱视频一区二区| 看黄色毛片网站| 精品国产国语对白av| 老司机在亚洲福利影院| 亚洲av五月六月丁香网| 亚洲精品中文字幕在线视频| 亚洲精品在线观看二区| 一a级毛片在线观看| 久久精品国产清高在天天线| 天堂动漫精品| 午夜福利免费观看在线| 69av精品久久久久久| 高清毛片免费观看视频网站| 久久这里只有精品19| 久久久久国产一级毛片高清牌| 黄色丝袜av网址大全| 啦啦啦韩国在线观看视频| 色婷婷久久久亚洲欧美| 亚洲五月色婷婷综合| 午夜福利高清视频| 人人妻人人澡欧美一区二区| 一进一出好大好爽视频| 亚洲精品粉嫩美女一区| 国产精品爽爽va在线观看网站 | 18禁黄网站禁片午夜丰满| 久久久国产成人免费| 中文字幕精品亚洲无线码一区 | 亚洲国产中文字幕在线视频| 日韩欧美在线二视频| 亚洲专区字幕在线| 亚洲自拍偷在线| 免费人成视频x8x8入口观看| av超薄肉色丝袜交足视频| 日本一区二区免费在线视频| 国产97色在线日韩免费| 久久草成人影院| 亚洲国产精品久久男人天堂| 日日夜夜操网爽| 亚洲国产精品合色在线| 一二三四在线观看免费中文在| 亚洲一区二区三区色噜噜| 亚洲av成人不卡在线观看播放网| 亚洲国产精品999在线| 久久狼人影院| 深夜精品福利| 中文字幕另类日韩欧美亚洲嫩草| 满18在线观看网站| 大香蕉久久成人网| 日韩有码中文字幕| 校园春色视频在线观看| 国产激情欧美一区二区| 国产伦在线观看视频一区| 国语自产精品视频在线第100页| 黑人巨大精品欧美一区二区mp4| 久久久久久免费高清国产稀缺| 亚洲 国产 在线| 波多野结衣av一区二区av| 黄色女人牲交| 国产亚洲欧美精品永久| 成熟少妇高潮喷水视频| 久久伊人香网站| 91在线观看av| 亚洲熟女毛片儿| 大型黄色视频在线免费观看| 日本免费一区二区三区高清不卡| 色在线成人网| 亚洲精品美女久久av网站| 色播亚洲综合网| 亚洲成国产人片在线观看| 精品第一国产精品| 又黄又粗又硬又大视频| 国产精品一区二区精品视频观看| 亚洲国产高清在线一区二区三 | 伊人久久大香线蕉亚洲五| www日本黄色视频网| 午夜免费观看网址| 免费高清在线观看日韩| av超薄肉色丝袜交足视频| 欧美日韩福利视频一区二区| 国产单亲对白刺激| 国产99久久九九免费精品| 婷婷精品国产亚洲av| 国产野战对白在线观看| 波多野结衣高清作品| 国产91精品成人一区二区三区| 欧美黑人欧美精品刺激| 满18在线观看网站| 午夜免费激情av| 午夜福利视频1000在线观看| 国产色视频综合| 制服诱惑二区| 日本三级黄在线观看| 成人永久免费在线观看视频| 日韩免费av在线播放| 一a级毛片在线观看| 亚洲狠狠婷婷综合久久图片| 制服诱惑二区| 亚洲第一电影网av| 少妇熟女aⅴ在线视频| av中文乱码字幕在线| АⅤ资源中文在线天堂| av超薄肉色丝袜交足视频| 两人在一起打扑克的视频| 两个人看的免费小视频| 色播在线永久视频| 亚洲精品国产区一区二| 国产高清激情床上av| 90打野战视频偷拍视频| 免费在线观看黄色视频的| 国产伦在线观看视频一区| 久久天堂一区二区三区四区| 免费搜索国产男女视频| 精品一区二区三区四区五区乱码| 最新美女视频免费是黄的| 亚洲最大成人中文| 国产一区在线观看成人免费| 久久久精品欧美日韩精品| av福利片在线| 久久热在线av| 亚洲一区中文字幕在线| 国产野战对白在线观看| 国产精品精品国产色婷婷| 国产精品美女特级片免费视频播放器 | 国产精品 国内视频| 午夜激情福利司机影院| 精品国产乱子伦一区二区三区| 在线观看免费视频日本深夜| 国产精品久久久久久亚洲av鲁大| 久久99热这里只有精品18| 男女视频在线观看网站免费 | 国产精品久久久久久人妻精品电影| 久99久视频精品免费| 欧洲精品卡2卡3卡4卡5卡区| 亚洲一区二区三区不卡视频| 韩国精品一区二区三区| 国产午夜精品久久久久久| 18禁裸乳无遮挡免费网站照片 | 高潮久久久久久久久久久不卡| 久久热在线av| 免费观看精品视频网站| 在线国产一区二区在线| 国产成+人综合+亚洲专区| 欧美精品啪啪一区二区三区| 一级黄色大片毛片| 亚洲熟女毛片儿| 老司机靠b影院| av在线播放免费不卡| 成人三级黄色视频| 亚洲国产精品999在线| 美女午夜性视频免费| 巨乳人妻的诱惑在线观看| 精品久久久久久,| 久久国产乱子伦精品免费另类| 一区二区三区高清视频在线| 成人国产综合亚洲| 亚洲最大成人中文| 亚洲中文日韩欧美视频| 日韩欧美在线二视频| 午夜久久久在线观看| 午夜福利成人在线免费观看| 日韩一卡2卡3卡4卡2021年| 在线观看日韩欧美| 日本一区二区免费在线视频| 精品久久久久久久久久久久久 | 999精品在线视频| 不卡一级毛片| 亚洲激情在线av| 精品免费久久久久久久清纯| 国产精品美女特级片免费视频播放器 | 首页视频小说图片口味搜索| 中文字幕久久专区| 久久精品91蜜桃| 天天添夜夜摸| 少妇的丰满在线观看| 黄色a级毛片大全视频| 波多野结衣巨乳人妻| 午夜久久久在线观看| 麻豆国产av国片精品| 亚洲第一青青草原| 久久国产精品男人的天堂亚洲| 久久久久久久久中文| 啦啦啦观看免费观看视频高清| 好男人在线观看高清免费视频 | ponron亚洲| 18禁国产床啪视频网站| 成人手机av| 日本撒尿小便嘘嘘汇集6| 国产成人精品久久二区二区免费| 亚洲精品在线观看二区| 成在线人永久免费视频| 国产麻豆成人av免费视频| 国产在线精品亚洲第一网站| 中文亚洲av片在线观看爽| 国产精品,欧美在线| 国产成人影院久久av| 制服人妻中文乱码| 国产亚洲av高清不卡| 亚洲激情在线av| 成人手机av| 中文字幕久久专区| 亚洲国产欧美日韩在线播放| 19禁男女啪啪无遮挡网站| av福利片在线| 久久精品国产综合久久久| 最好的美女福利视频网| av在线天堂中文字幕| 久久久久国产一级毛片高清牌| 欧美绝顶高潮抽搐喷水| 日韩 欧美 亚洲 中文字幕| 亚洲aⅴ乱码一区二区在线播放 | 国产欧美日韩精品亚洲av| 欧美色欧美亚洲另类二区| 亚洲一区中文字幕在线| www日本黄色视频网| 黄频高清免费视频| 婷婷丁香在线五月| 亚洲国产精品合色在线| 亚洲成人精品中文字幕电影| 免费观看人在逋| 免费看日本二区| 搡老熟女国产l中国老女人| 国产精品99久久99久久久不卡| 侵犯人妻中文字幕一二三四区| 国产99白浆流出| 亚洲精品一区av在线观看| 久久狼人影院| 一二三四社区在线视频社区8| 久久人妻福利社区极品人妻图片| 在线观看午夜福利视频| x7x7x7水蜜桃| 日本在线视频免费播放| 中文字幕人成人乱码亚洲影| 在线天堂中文资源库| 久久久精品国产亚洲av高清涩受| 欧美日本视频| 欧美日本亚洲视频在线播放| 午夜福利免费观看在线| 黄色片一级片一级黄色片| 欧美 亚洲 国产 日韩一| 亚洲美女黄片视频| 国产伦人伦偷精品视频| 亚洲免费av在线视频| 欧美乱色亚洲激情| 国产精品久久久人人做人人爽| 香蕉丝袜av| 色av中文字幕| 美国免费a级毛片| 婷婷精品国产亚洲av在线| 亚洲熟妇熟女久久| 久久天躁狠狠躁夜夜2o2o| 国产单亲对白刺激| 亚洲av片天天在线观看| 国产男靠女视频免费网站| 亚洲av电影在线进入| 国产视频内射| 国产成+人综合+亚洲专区| 18禁黄网站禁片免费观看直播| 亚洲性夜色夜夜综合| 国产亚洲欧美98| 欧美国产精品va在线观看不卡| 久久精品夜夜夜夜夜久久蜜豆 | 欧美日韩黄片免| 波多野结衣高清作品| 人人妻人人澡人人看| 日韩精品中文字幕看吧| 香蕉av资源在线| 欧美日韩福利视频一区二区| 真人一进一出gif抽搐免费| 国产免费男女视频| 久热这里只有精品99| 午夜久久久在线观看| 亚洲男人天堂网一区| 久久久久久久久中文| 精品免费久久久久久久清纯| 亚洲成人免费电影在线观看| 无人区码免费观看不卡| 国产一区在线观看成人免费| 淫妇啪啪啪对白视频| 久久久精品欧美日韩精品| 老熟妇乱子伦视频在线观看| 最近在线观看免费完整版| 免费看a级黄色片| 亚洲国产精品久久男人天堂| 在线天堂中文资源库| 欧美乱码精品一区二区三区| 亚洲人成77777在线视频| 国产精品国产高清国产av| 青草久久国产| 神马国产精品三级电影在线观看 | 在线十欧美十亚洲十日本专区| 精品久久久久久久末码| 男人舔女人的私密视频| 老司机福利观看| 88av欧美| 无限看片的www在线观看| 免费看十八禁软件| 男人舔奶头视频| 国产精品久久电影中文字幕| 久久精品影院6| 老司机深夜福利视频在线观看| 俺也久久电影网| www.自偷自拍.com| 欧美国产日韩亚洲一区| 琪琪午夜伦伦电影理论片6080| 欧美日韩瑟瑟在线播放| 欧美色视频一区免费| 天天躁狠狠躁夜夜躁狠狠躁| 国产高清videossex| 女性生殖器流出的白浆| 老司机在亚洲福利影院| 国产精品美女特级片免费视频播放器 | 日韩大尺度精品在线看网址| 制服丝袜大香蕉在线| 久久香蕉精品热| 亚洲欧美激情综合另类| 国产欧美日韩一区二区三| 男男h啪啪无遮挡| 久久亚洲真实| 伊人久久大香线蕉亚洲五| 国产激情久久老熟女| 国产黄a三级三级三级人| 少妇熟女aⅴ在线视频| 国产av又大| 欧美av亚洲av综合av国产av| 淫妇啪啪啪对白视频| 欧美激情高清一区二区三区| 在线观看www视频免费| 最新在线观看一区二区三区| 99热只有精品国产| 中文字幕精品免费在线观看视频| 香蕉国产在线看| 美女大奶头视频| 欧美一级a爱片免费观看看 | 特大巨黑吊av在线直播 | 国产免费男女视频| 制服诱惑二区| 欧美在线黄色| 日日摸夜夜添夜夜添小说| 欧美zozozo另类| 国产高清视频在线播放一区| 婷婷丁香在线五月| 欧美激情极品国产一区二区三区| 国产乱人伦免费视频| 99久久国产精品久久久| 丰满的人妻完整版| 香蕉久久夜色| 国产av又大| 日韩 欧美 亚洲 中文字幕| 亚洲精品av麻豆狂野| 久久亚洲真实| 人人妻,人人澡人人爽秒播| 正在播放国产对白刺激| 亚洲九九香蕉| 亚洲精品中文字幕在线视频| 在线免费观看的www视频| 丰满人妻熟妇乱又伦精品不卡| 亚洲av电影在线进入| 女同久久另类99精品国产91| 欧美丝袜亚洲另类 | 日韩成人在线观看一区二区三区| 精品一区二区三区av网在线观看| 女性生殖器流出的白浆| 精品国产国语对白av| 亚洲九九香蕉| 国产精品国产高清国产av| 国产极品粉嫩免费观看在线| 色综合亚洲欧美另类图片| 国产亚洲精品综合一区在线观看 | 最近最新中文字幕大全电影3 | 国产激情欧美一区二区| 亚洲国产欧美一区二区综合| av中文乱码字幕在线| 精品久久久久久久久久免费视频| 狠狠狠狠99中文字幕| 亚洲全国av大片| 天堂影院成人在线观看| 免费女性裸体啪啪无遮挡网站| 一区二区三区高清视频在线| 老司机福利观看| 亚洲无线在线观看| 夜夜看夜夜爽夜夜摸| 99久久综合精品五月天人人| 久久久久久国产a免费观看| 在线观看免费视频日本深夜| 女人被狂操c到高潮| 哪里可以看免费的av片| 黄色成人免费大全| 欧美黄色淫秽网站| 在线天堂中文资源库| 久久国产精品影院| 久久精品国产99精品国产亚洲性色| 亚洲熟妇熟女久久| 侵犯人妻中文字幕一二三四区| 国产精品亚洲av一区麻豆| АⅤ资源中文在线天堂| 一级a爱视频在线免费观看| 国产区一区二久久| 在线天堂中文资源库| 在线观看免费视频日本深夜| 亚洲第一欧美日韩一区二区三区| 女性生殖器流出的白浆|