CN119004460B 一种基于智能化多任务学习系统的恶意实体检测方法 （北京工商大学）_第1页
CN119004460B 一种基于智能化多任务学习系统的恶意实体检测方法 （北京工商大学）_第2页
CN119004460B 一种基于智能化多任务学习系统的恶意实体检测方法 （北京工商大学）_第3页
CN119004460B 一种基于智能化多任务学习系统的恶意实体检测方法 （北京工商大学）_第4页
CN119004460B 一种基于智能化多任务学习系统的恶意实体检测方法 （北京工商大学）_第5页
已阅读5页，还剩24页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于智能化多任务学习系统的恶意实本发明公开了一种基于智能化多任务学习2步骤一、采集来自不同平台的恶意实体言论相关的步骤三、设计超参数自适应优化器，根据多任务学习模t是在时间t的准确率，此公式表明如果模型的准确率提高，批处理大小会增λt+1=λt*(1_δ*1(acct+1＜acct))t是当前的正则化参数，δ是一个正的小数值，用于在性能下降时增加正则化强步骤四、在所述多任务学习模型中引入动态任务管理机步骤五、将训练好的多任务学习模型和优化的超参数步骤六、将待检测的文本数据输入至构建好的2.根据权利要求1所述的基于智能化多任务学习系统的恶意实体检测方法，其特征在3.根据权利要求1所述的基于智能化多任务学习系统的恶意实体检测方法，其特征在3对于朴素贝叶斯分类和BERT分类任务，使用预训练的BERT模型对文本对于关键词匹配任务，使用sigmoid激活函数的输出层来预测文本是否包含特定关键对于关键词匹配任务的输出层j,公式为：$=o(wh+b)6)优化器；使用优化算法调整网络参数以最小4.根据权利要求1所述的基于智能化多任务学习系统的恶意实体检测方法，其特征在45.根据权利要求1所述的基于智能化多任务学习系统的恶意实体检测方法，其特征在5[0004]为此本发明提出一种利用智能化多任务学习系统进行恶[0005]针对传统的恶意实体检测方法存在的采用单一模型或手动调整超参数的方式进6[0011]步骤五、将上述训练好的多任务学习模型和优化的超参数自适应优化器进行集[0021]其中h(l)是第l层的输出,W(l)和bl分别是该层的权重矩阵和偏置向量，f是激活函7[0038]ηt表示当前的学习率，γ是一个小于1的衰减因子，1(condition)是一个指示函[0041]acct是在时间t的准确率，此公式表明如果模型的准确率提高，批处理大小会增8[0067]本实施例提供一种基于智能化多任务学习系统的恶意实体检测方法，如图1_6所[0069]首先从网络社交平台上采集与恶意实体言论相关的文本数据，本实施例中从快9某些任务权重过大导致的学习不均衡；参数共享是指在不同任务之间共享部分网络参数，[0075]该神经网络包括多个特定功能层，每一层都针对整体任[0082]其中h(l)是第l层的输出,W(l)和bl分别是该层的权重矩阵和偏置向量，f是激活函[0084]$=o(wh+b)[0102]首先将上述构建的多任务学习模型进行编译，然后为该[0103]1)第一轮epoch训练：在首轮epoch训练中，模型会遍历整个训练集一次。每个[0109]ηt表示当前的学习率，γ是一个小于1的衰减因子，1(condition)是一个指示函[0112]acct是在时间t的准确率，此公式表明如果模型的准确率提高，批处理大小会增[0130]上述动态任务关注机制的引入能够使该模型根据任务的重要性程度分配不同的水军的发文数据和12000条普通用户的发文数据，其中训练集中包括1000条网络水军的发

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论