• <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
    久久亚洲精品不卡| 大型黄色视频在线免费观看| 日韩中文字幕欧美一区二区| 一区二区三区激情视频| 亚洲av成人不卡在线观看播放网| 99re在线观看精品视频| 日韩 欧美 亚洲 中文字幕| 亚洲精品色激情综合| 国产精品九九99| 国模一区二区三区四区视频 | 亚洲精品在线美女| 国产三级在线视频| 久久精品夜夜夜夜夜久久蜜豆| 国产精品一及| 国产精品av久久久久免费| 久久亚洲真实| 操出白浆在线播放| 又爽又黄无遮挡网站| 亚洲国产精品久久男人天堂| 人人妻人人看人人澡| 99视频精品全部免费 在线 | 亚洲成av人片免费观看| 老司机午夜福利在线观看视频| 伦理电影免费视频| 久久久久久久久中文| 久久久久国产精品人妻aⅴ院| 悠悠久久av| 亚洲成人中文字幕在线播放| 黄频高清免费视频| 久久久久久大精品| 最近最新中文字幕大全免费视频| 一个人观看的视频www高清免费观看 | 三级国产精品欧美在线观看 | 一本一本综合久久| 国产精品久久久久久人妻精品电影| 天堂√8在线中文| 我的老师免费观看完整版| 国产精品久久久久久久电影 | 91九色精品人成在线观看| 在线国产一区二区在线| 国产蜜桃级精品一区二区三区| 成年女人永久免费观看视频| 嫩草影院精品99| 日本 欧美在线| 日本黄色片子视频| 91老司机精品| 午夜日韩欧美国产| 一级毛片高清免费大全| 亚洲成av人片在线播放无| 欧美激情久久久久久爽电影| 国产毛片a区久久久久| 亚洲国产高清在线一区二区三| 一区二区三区高清视频在线| 日本五十路高清| 久久天堂一区二区三区四区| 亚洲av日韩精品久久久久久密| 嫩草影院精品99| 国产精品精品国产色婷婷| 色综合站精品国产| 久9热在线精品视频| 亚洲av电影不卡..在线观看| x7x7x7水蜜桃| 热99re8久久精品国产| 亚洲欧美激情综合另类| 午夜激情福利司机影院| 又大又爽又粗| 搡老妇女老女人老熟妇| 在线观看午夜福利视频| 最近视频中文字幕2019在线8| 国内少妇人妻偷人精品xxx网站 | 熟妇人妻久久中文字幕3abv| 国产伦一二天堂av在线观看| 熟女电影av网| 日本 av在线| 巨乳人妻的诱惑在线观看| av中文乱码字幕在线| 白带黄色成豆腐渣| 日本熟妇午夜| 国产亚洲精品综合一区在线观看| 亚洲自偷自拍图片 自拍| 91九色精品人成在线观看| 一级黄色大片毛片| 男人舔奶头视频| 久久精品aⅴ一区二区三区四区| 日韩av在线大香蕉| 黑人欧美特级aaaaaa片| 成人国产一区最新在线观看| 两个人视频免费观看高清| 蜜桃久久精品国产亚洲av| 搞女人的毛片| 他把我摸到了高潮在线观看| 精品一区二区三区视频在线 | 日韩中文字幕欧美一区二区| 综合色av麻豆| 久久久国产成人精品二区| 熟妇人妻久久中文字幕3abv| 国产主播在线观看一区二区| 国产精华一区二区三区| 黑人操中国人逼视频| 日本与韩国留学比较| 香蕉丝袜av| 精品久久蜜臀av无| 精品不卡国产一区二区三区| 日韩三级视频一区二区三区| 午夜激情福利司机影院| 曰老女人黄片| 精品乱码久久久久久99久播| 国产精品美女特级片免费视频播放器 | 国内揄拍国产精品人妻在线| 午夜精品在线福利| 亚洲av中文字字幕乱码综合| 亚洲欧美日韩无卡精品| 18美女黄网站色大片免费观看| 亚洲天堂国产精品一区在线| ponron亚洲| 国产精品精品国产色婷婷| 精品久久蜜臀av无| 亚洲欧美精品综合一区二区三区| 长腿黑丝高跟| 99久久精品国产亚洲精品| 好看av亚洲va欧美ⅴa在| 精品久久久久久,| 国产成人精品无人区| 欧美极品一区二区三区四区| 99在线人妻在线中文字幕| 夜夜爽天天搞| xxx96com| 国产精品一区二区精品视频观看| 天堂av国产一区二区熟女人妻| 欧洲精品卡2卡3卡4卡5卡区| 亚洲自偷自拍图片 自拍| 国内精品美女久久久久久| 黄色 视频免费看| 神马国产精品三级电影在线观看| 男人舔女人下体高潮全视频| 国产成人系列免费观看| 男人舔女人的私密视频| 国内少妇人妻偷人精品xxx网站 | 久久久久久久精品吃奶| 日韩高清综合在线| 99精品久久久久人妻精品| 国产精华一区二区三区| 国产精品久久视频播放| 69av精品久久久久久| 很黄的视频免费| 欧洲精品卡2卡3卡4卡5卡区| 色视频www国产| 看免费av毛片| 亚洲午夜精品一区,二区,三区| 黄色成人免费大全| 国产午夜福利久久久久久| 色在线成人网| 美女黄网站色视频| 两个人视频免费观看高清| 桃色一区二区三区在线观看| 在线观看免费视频日本深夜| 免费高清视频大片| 久久这里只有精品19| 久久久久久久久中文| 91老司机精品| 精华霜和精华液先用哪个| 精品久久久久久久末码| 国产精品野战在线观看| 成人三级黄色视频| 一本一本综合久久| 成人高潮视频无遮挡免费网站| 免费av毛片视频| 一级作爱视频免费观看| 国产精品国产高清国产av| 午夜免费观看网址| 亚洲人成伊人成综合网2020| 熟女电影av网| 亚洲狠狠婷婷综合久久图片| 久久国产精品人妻蜜桃| 久久人人精品亚洲av| 欧美黑人巨大hd| 高潮久久久久久久久久久不卡| 男女午夜视频在线观看| 国产精华一区二区三区| 国产精品99久久久久久久久| 天堂√8在线中文| 又爽又黄无遮挡网站| 在线观看免费视频日本深夜| 亚洲性夜色夜夜综合| 国产成人啪精品午夜网站| 1000部很黄的大片| 夜夜爽天天搞| 真人做人爱边吃奶动态| 国产精品久久久久久精品电影| 成人av在线播放网站| 成人永久免费在线观看视频| 亚洲精品色激情综合| 欧美丝袜亚洲另类 | 男女视频在线观看网站免费| 中文字幕av在线有码专区| 国产真人三级小视频在线观看| 桃红色精品国产亚洲av| 91在线观看av| 在线免费观看的www视频| 午夜激情福利司机影院| 国产视频一区二区在线看| 亚洲中文av在线| 老司机福利观看| 一区二区三区高清视频在线| av视频在线观看入口| 午夜福利成人在线免费观看| 真人做人爱边吃奶动态| 不卡一级毛片| АⅤ资源中文在线天堂| 亚洲国产欧美一区二区综合| 最新在线观看一区二区三区| 久久久久久久久免费视频了| 一级毛片精品| 中文亚洲av片在线观看爽| 亚洲,欧美精品.| 国内精品久久久久久久电影| 色哟哟哟哟哟哟| 91在线精品国自产拍蜜月 | 日本黄色视频三级网站网址| 国产成人精品无人区| 可以在线观看毛片的网站| 美女午夜性视频免费| 别揉我奶头~嗯~啊~动态视频| 成人永久免费在线观看视频| 久久香蕉国产精品| av黄色大香蕉| 丁香欧美五月| 日本撒尿小便嘘嘘汇集6| 国产亚洲精品久久久久久毛片| or卡值多少钱| 啦啦啦韩国在线观看视频| 午夜a级毛片| 国产精品美女特级片免费视频播放器 | 国产亚洲欧美在线一区二区| 制服人妻中文乱码| 啦啦啦免费观看视频1| 成人av在线播放网站| 亚洲色图av天堂| 90打野战视频偷拍视频| 免费在线观看日本一区| 午夜a级毛片| 精品一区二区三区四区五区乱码| 一区二区三区激情视频| 亚洲av熟女| 一区二区三区国产精品乱码| 日韩欧美三级三区| 国产精品永久免费网站| 日韩欧美精品v在线| 麻豆国产av国片精品| 免费无遮挡裸体视频| 欧美一区二区国产精品久久精品| 亚洲人成网站高清观看| 少妇丰满av| 亚洲人与动物交配视频| 999久久久精品免费观看国产| 日本免费a在线| 国产又黄又爽又无遮挡在线| 国产精品久久久av美女十八| 国产精品99久久久久久久久| 亚洲国产欧洲综合997久久,| 在线播放国产精品三级| 搡老岳熟女国产| 熟女人妻精品中文字幕| 黄色成人免费大全| 日本免费a在线| 日日摸夜夜添夜夜添小说| 丰满的人妻完整版| 法律面前人人平等表现在哪些方面| 国产三级中文精品| 好男人在线观看高清免费视频| 激情在线观看视频在线高清| 国产黄色小视频在线观看| 高潮久久久久久久久久久不卡| 久久精品aⅴ一区二区三区四区| 日本黄色片子视频| 亚洲成人久久性| 夜夜爽天天搞| 欧美激情久久久久久爽电影| 长腿黑丝高跟| 97超级碰碰碰精品色视频在线观看| 最近最新中文字幕大全电影3| 欧美绝顶高潮抽搐喷水| 亚洲 国产 在线| 亚洲美女视频黄频| 欧美zozozo另类| 三级毛片av免费| 亚洲人成网站高清观看| 国内精品美女久久久久久| 18禁观看日本| 美女黄网站色视频| 18美女黄网站色大片免费观看| 国产97色在线日韩免费| 99热精品在线国产| 欧美日韩精品网址| 18禁黄网站禁片免费观看直播| 久久精品影院6| 国产精品 国内视频| 99热这里只有精品一区 | 日本 av在线| 欧美乱妇无乱码| 国产亚洲精品一区二区www| 18禁黄网站禁片免费观看直播| 成人特级av手机在线观看| 国产美女午夜福利| 久久人妻av系列| 日韩中文字幕欧美一区二区| 国产高清视频在线观看网站| 麻豆国产av国片精品| 国产成人精品久久二区二区免费| 婷婷精品国产亚洲av在线| 99国产精品一区二区蜜桃av| 国产在线精品亚洲第一网站| 国产爱豆传媒在线观看| 后天国语完整版免费观看| 国产精品99久久99久久久不卡| 精品免费久久久久久久清纯| 国产精品亚洲美女久久久| 美女黄网站色视频| 久久国产精品人妻蜜桃| 黄片小视频在线播放| 一卡2卡三卡四卡精品乱码亚洲| 精品人妻1区二区| 成人性生交大片免费视频hd| 中文亚洲av片在线观看爽| 一个人观看的视频www高清免费观看 | 国产av在哪里看| 国产精品美女特级片免费视频播放器 | 亚洲欧美日韩卡通动漫| 国产免费男女视频| 精品久久久久久久毛片微露脸| 窝窝影院91人妻| 88av欧美| 中文字幕久久专区| 美女高潮喷水抽搐中文字幕| 精品久久久久久久久久免费视频| 亚洲,欧美精品.| 伦理电影免费视频| 啦啦啦免费观看视频1| 国产麻豆成人av免费视频| 一级黄色大片毛片| www.www免费av| 日本一本二区三区精品| 国产一区二区三区视频了| a级毛片a级免费在线| 99热精品在线国产| 国产精品九九99| 最近最新中文字幕大全电影3| 国产免费av片在线观看野外av| 少妇的丰满在线观看| 国产野战对白在线观看| av片东京热男人的天堂| 欧美av亚洲av综合av国产av| 成人三级做爰电影| 国产主播在线观看一区二区| 伦理电影免费视频| 97超视频在线观看视频| 男女那种视频在线观看| 精品国产美女av久久久久小说| 欧美国产日韩亚洲一区| 黄色女人牲交| 最近最新中文字幕大全电影3| 国产欧美日韩一区二区三| 国产精品永久免费网站| 久久中文看片网| 亚洲第一电影网av| 香蕉av资源在线| 国产精品 欧美亚洲| 亚洲美女视频黄频| 欧美大码av| 国产私拍福利视频在线观看| 久久久精品大字幕| 久久香蕉国产精品| 亚洲成av人片在线播放无| 亚洲熟妇熟女久久| 成熟少妇高潮喷水视频| 国产精品99久久久久久久久| 亚洲乱码一区二区免费版| 在线观看午夜福利视频| 色综合婷婷激情| 精品国产超薄肉色丝袜足j| 亚洲精品色激情综合| 国产精品av久久久久免费| 美女高潮的动态| 在线观看66精品国产| 90打野战视频偷拍视频| 国产午夜精品论理片| 偷拍熟女少妇极品色| 国产熟女xx| av在线天堂中文字幕| 欧美日本视频| 日本免费a在线| 欧美精品啪啪一区二区三区| 久久亚洲真实| 日本黄色视频三级网站网址| 最近在线观看免费完整版| 免费在线观看影片大全网站| 中文字幕精品亚洲无线码一区| 97碰自拍视频| 国产视频内射| 亚洲国产看品久久| 亚洲天堂国产精品一区在线| 免费高清视频大片| 午夜日韩欧美国产| 18禁美女被吸乳视频| 亚洲欧美日韩东京热| а√天堂www在线а√下载| 成人高潮视频无遮挡免费网站| cao死你这个sao货| 亚洲熟女毛片儿| 好男人在线观看高清免费视频| 久久久久久人人人人人| 国产亚洲欧美98| av国产免费在线观看| 校园春色视频在线观看| 久久天堂一区二区三区四区| 日韩大尺度精品在线看网址| 亚洲av电影在线进入| 搡老熟女国产l中国老女人| 搡老妇女老女人老熟妇| 三级男女做爰猛烈吃奶摸视频| 免费看十八禁软件| 不卡一级毛片| 免费在线观看亚洲国产| 午夜福利欧美成人| 真实男女啪啪啪动态图| 久久久水蜜桃国产精品网| 看黄色毛片网站| 日本免费a在线| 亚洲av五月六月丁香网| 国产主播在线观看一区二区| 国产69精品久久久久777片 | 国产 一区 欧美 日韩| 男女床上黄色一级片免费看| 国产欧美日韩精品一区二区| 精品国产乱码久久久久久男人| 国内精品一区二区在线观看| 俺也久久电影网| 12—13女人毛片做爰片一| 午夜精品久久久久久毛片777| 波多野结衣高清无吗| 欧美色欧美亚洲另类二区| 美女免费视频网站| 亚洲天堂国产精品一区在线| 99在线人妻在线中文字幕| 亚洲成av人片在线播放无| 精品免费久久久久久久清纯| 99视频精品全部免费 在线 | 一区福利在线观看| 真实男女啪啪啪动态图| or卡值多少钱| 老司机在亚洲福利影院| 好男人在线观看高清免费视频| 99久国产av精品| 无遮挡黄片免费观看| 特大巨黑吊av在线直播| 欧美午夜高清在线| 免费一级毛片在线播放高清视频| 一个人免费在线观看电影 | 麻豆国产av国片精品| 不卡一级毛片| 久久性视频一级片| 欧美日韩综合久久久久久 | 丰满的人妻完整版| 老司机午夜十八禁免费视频| 九九在线视频观看精品| 成在线人永久免费视频| 国产综合懂色| 天天躁狠狠躁夜夜躁狠狠躁| 在线观看日韩欧美| 国内精品美女久久久久久| 亚洲五月天丁香| 在线观看舔阴道视频| 岛国视频午夜一区免费看| 又爽又黄无遮挡网站| 人妻夜夜爽99麻豆av| 久久精品91无色码中文字幕| 亚洲最大成人中文| 国内毛片毛片毛片毛片毛片| 黑人操中国人逼视频| 天天添夜夜摸| 亚洲中文日韩欧美视频| 国产精品,欧美在线| 国产v大片淫在线免费观看| 国产三级在线视频| 午夜激情福利司机影院| 欧美又色又爽又黄视频| 精品无人区乱码1区二区| 欧美又色又爽又黄视频| 中文字幕精品亚洲无线码一区| 此物有八面人人有两片| x7x7x7水蜜桃| 亚洲 国产 在线| 亚洲欧美日韩高清专用| 精品国产亚洲在线| a在线观看视频网站| 老司机在亚洲福利影院| 色精品久久人妻99蜜桃| 亚洲最大成人中文| 亚洲精品中文字幕一二三四区| 国产免费男女视频| 岛国在线免费视频观看| 天天一区二区日本电影三级| 亚洲av第一区精品v没综合| 欧美日韩国产亚洲二区| a级毛片a级免费在线| 天堂av国产一区二区熟女人妻| 亚洲精品色激情综合| 午夜久久久久精精品| 一进一出好大好爽视频| 午夜久久久久精精品| 国产精品一及| 久久国产精品人妻蜜桃| 亚洲av免费在线观看| 国产又黄又爽又无遮挡在线| 国产精品免费一区二区三区在线| 法律面前人人平等表现在哪些方面| 亚洲国产精品999在线| 最新在线观看一区二区三区| 精品人妻1区二区| 久久这里只有精品19| 人人妻,人人澡人人爽秒播| 中文字幕精品亚洲无线码一区| 97碰自拍视频| 免费在线观看成人毛片| 欧美又色又爽又黄视频| 99热6这里只有精品| 精品电影一区二区在线| 黄色片一级片一级黄色片| 全区人妻精品视频| 在线观看日韩欧美| av欧美777| 国产激情偷乱视频一区二区| 老鸭窝网址在线观看| 一进一出抽搐gif免费好疼| 色综合欧美亚洲国产小说| 久久精品影院6| 欧美日韩瑟瑟在线播放| 欧美色视频一区免费| 亚洲国产精品sss在线观看| 黑人欧美特级aaaaaa片| 搡老妇女老女人老熟妇| 悠悠久久av| 欧美极品一区二区三区四区| 亚洲国产欧美人成| 黄色成人免费大全| 很黄的视频免费| 国产精品一及| 国产免费男女视频| 最近在线观看免费完整版| 中文字幕人成人乱码亚洲影| 美女被艹到高潮喷水动态| 99久久无色码亚洲精品果冻| 999久久久国产精品视频| 国产精品 欧美亚洲| 国产精品爽爽va在线观看网站| 黄色日韩在线| 99久久精品国产亚洲精品| 丰满人妻一区二区三区视频av | 日本熟妇午夜| 99在线视频只有这里精品首页| 中文字幕人成人乱码亚洲影| 国产激情偷乱视频一区二区| 久久精品91无色码中文字幕| 最好的美女福利视频网| 久久久精品大字幕| 久久久久久久精品吃奶| www.自偷自拍.com| 久久久久精品国产欧美久久久| 久久中文字幕人妻熟女| 身体一侧抽搐| 欧洲精品卡2卡3卡4卡5卡区| 舔av片在线| 午夜福利在线观看免费完整高清在 | 精品久久久久久久毛片微露脸| 亚洲第一电影网av| 一级a爱片免费观看的视频| 国产精品一区二区三区四区久久| 成人一区二区视频在线观看| 成在线人永久免费视频| 亚洲国产精品合色在线| 一边摸一边抽搐一进一小说| 小说图片视频综合网站| 久9热在线精品视频| 免费看a级黄色片| 中出人妻视频一区二区| 精品国产美女av久久久久小说| 欧美一级a爱片免费观看看| 国产亚洲欧美在线一区二区| 搞女人的毛片| 这个男人来自地球电影免费观看| 国产高潮美女av| 女人被狂操c到高潮| 国产精品久久久人人做人人爽| 脱女人内裤的视频| 国产精品av久久久久免费| 国产黄片美女视频| 十八禁人妻一区二区| 国产爱豆传媒在线观看| 亚洲精品456在线播放app | 精品久久久久久成人av| 欧美午夜高清在线| 日韩大尺度精品在线看网址| 90打野战视频偷拍视频| 免费看光身美女| 国产精华一区二区三区| 最好的美女福利视频网| 午夜久久久久精精品| 天天添夜夜摸| 久久香蕉精品热| 国产视频内射| 亚洲,欧美精品.| 欧美乱色亚洲激情| 免费观看的影片在线观看| 亚洲美女黄片视频| 中文字幕最新亚洲高清|