1、研究论文数据分析与知识发现Extracting Emotion-Cause Pairs Based on Multi-Label Seq2Seq ModelZhang Siyang1 Wei Subo2,3 Sun Zhengyan4 Zhang Shunxiang2,3 Zhu Guangli2,3 Wu Houyue2,31(School of Mathematics and Big Data,Anhui University of Science and Technology,Huainan 232001,China)2(School of Computer Science and En
2、gineering,Anhui University of Science and Technology,Huainan 232001,China)3(Artificial Intelligence Research Institute,Hefei Comprehensive National Science Center,Hefei 230026,China)4(School of Computer Science,Huainan Normal University,Huainan 232038,China)Abstract:Objective This paper explores new
3、 algorithms to extract emotion-cause pairs based on multi-label Seq2Seq model.Methods First,we used the BERT pre-training to obtain semantically rich word vectors.Then,we utilized the Bi-GRU and LSTM to obtain the global and local features of the texts.Finally,we introduced the hybrid attention mech
4、anism to merge the features and improve the integrity of these semantic features.ResultsCompared with the latest FSS-GCN model,the F1 value of our new model for emotional cause pairs increased by 0.98 percentage point and 11.60 percentage point on two data sets.The F1 value of emotion extraction inc
5、reased by 0.87 percentage point and 1.10 percentage point,while the F1 value for cause extraction increased by 0.79 percentage point and 2.31 percentage point respectively.Limitations Our new model mainly examined the explicit emotion-cause pairs and did not explore implicit emotion-cause pairs.Conc
6、lusions The proposed model improves the F1 values of extracting emotion-cause pairs.Keywords:Emotion-Cause Pair Extraction Multi-Label Seq2Seq Model BERT利用驾驶数据发现老年驾驶员的认知障碍近日，研究人员基于综合学习技术和一项大型自然驾驶研究的纵向数据，开发出一套创新性的、可解释的、准确性高的算法，能够检测老年驾驶员是否患有轻度认知障碍。数字标记是指从真实环境中通过记录设备捕获的数据生成的各种变量，基于这些数据可以非常详细地测量驾驶行为、驾驶表
7、现。这项研究成果发表在Artificial Intelligence in Medicine期刊上。研究人员使用基于交互的分类方法来选择数据集中的预测变量，这种学习模型在预测轻度认知障碍和痴呆方面的准确率达到96%，优于传统的机器学习模型。本研究使用的数据来自于2015年8月至2019年3月间的前三年随访数据。在随访期间，36名参与者被诊断为轻度认知障碍，8名患有阿尔茨海默病，17名患有其他或未指明的痴呆症。研究人员进行了一系列计算机建模实验，发现在预测轻度认知障碍和痴呆方面，新的整体学习模型比传统的机器学习模型（如随机森林和逻辑回归模型）在准确度上能提高6-10%。“在美国，大约85%的老年人是持照驾驶者。作为最受欢迎的个人交通方式，驾驶在保持独立、自我控制、维持社会关系和保证生活质量方面发挥着重要作用。安全驾驶汽车需要具备基本的认知和身体功能。本研究表明，嵌入在日常收集的驾驶数据中的数字标记可以通过创新的机器学习技术加以利用，帮助预测驾驶员的轻度认知障碍和痴呆症情况。”研究人员指出：“尽早发现轻度认知障碍和痴呆症，就可以进行及时的评估、诊断和干预，在缺乏有效治疗方法的情况下，这是很关键的。”（编译自：https:/
