1、“.....关键词幽默计算长短时记忆网络自注意力机制卷积神经网络文本分类中图分类号文献标识码文章编号研究背景幽默可以分为不同的类型，如反转谐音谐义等，并且幽默往往还存在着强弱之分。虽然主观性较强，收稿日期。基于深度学习的中文幽默计算论文原稿。模型的嵌入层将输入的幽默文本序列映射为词向量序列，这些向量将与模型起参与基于深度学习的中文幽默计算论文原稿使用简单神经网络分类基础上准确率进步提高。目前将机器识别幽默运用到实际中还需要更深入的研究。在未来的学习与工作中，我们将尝试将外部知识库融入模型中，辅助模型进行幽默的识别和分类，从而能实现幽默机制真正意义上的现实应用。参考文献祁小军，兰海翔，卢涵宇......”。

2、“.....而在召回率上表现较差。而模型在召回率上有所提升，但是准确率却相对于有所下降。本文模型在达到了较高召回率的同时，也保持了相对高的准确率，并在宏平均值上相较于其他两个模型提高了近。在任务中，经过对比我们可以发现在准确率和召回率上相较于均有提输出分类类别。实验实验数据本文实验所使用的数据为由大连理工大学信息检索实验室提供的的评测数据集。任务数据集共有条幽默文本，任务数据集共有条幽默文本，其中幽默文本的类别分布与现实情况基本致。对于输入模型的语料，需要进行些预处理的工作使用正则表达式去除语料中的标点符号特殊符号，并使用中的因此，利用神经网络来自动提取特征的方法逐渐过渡到文本分类任务上来......”。

3、“.....将其与模型结合，定程度上提高了分类准确率，但是其提取文本特征依旧局限于词语级别，而忽略了句子之间的依赖关系孙嘉琪等人先使用了来解决文本语义的长期依赖问题，但是由于所存在的梯度传统文本分类任务的瓶颈。基于以上研究，我们发现，不同的神经网络对文本的不同粒度特征的提取各有优势。因此，本文构建了种组合式的神经网络模型，模型主要由嵌入层双向长短时记忆层自注意力层卷积神经网络层和输出层个部分组成。基于深度学习的中文幽默计算论文原稿。对于传统的文本分类方法目前已经比较成熟，祁小军等人将贝叶，收稿日期。基于深度学习的中文幽默计算论文原稿。因此，利用神经网络来自动提取特征的方法逐渐过渡到文本分类任务上来。孙明敏使用改进的算法提取文本特征......”。

4、“.....定程度上提高了分类准确率，但来的学习与工作中，我们将尝试将外部知识库融入模型中，辅助模型进行幽默的识别和分类，从而能实现幽默机制真正意义上的现实应用。参考文献祁小军，兰海翔，卢涵宇，等贝叶斯和算法在新闻文本分类中的对比研究电脑知识与技术，丁世涛，卢军，洪鸿辉，等基于的文本多选择分类系统的设计与实现计算机与数字工程，但是准确率却相对于有所下降。本文模型在达到了较高召回率的同时，也保持了相对高的准确率，并在宏平均值上相较于其他两个模型提高了近。在任务中，经过对比我们可以发现在准确率和召回率上相较于均有提升，本文模型在准确率上相较于略有提升，而在召回率上提升幅度较大，并在值上达到的提升基于深度学习的中文幽默计算论文原稿......”。

5、“.....并对比分析了这几种方法的效果丁世涛等人以文本标题作为突破口，并使用进行分词词向量的训练，快速将文本对应到分类标签上。但是这几种方法都难以避免人工提取规则的开销，而且迁移性差也成为传统文本分类任务的瓶颈。统的文本分类方法目前已经比较成熟，祁小军等人将贝叶斯，以及算法这几种方法成功应用到海量新闻抓取有用信息上来，并对比分析了这几种方法的效果丁世涛等人以文本标题作为突破口，并使用进行分词词向量的训练，快速将文本对应到分类标签上。但是这几种方法都难以避免人工提取规则的开销，而且迁移性差也成的评测数据集。任务数据集共有条幽默文本，任务数据集共有条幽默文本，其中幽默文本的类别分布与现实情况基本致。对于输入模型的语料......”。

6、“.....并使用中的库对文本进行分词处理，将每个幽默文本转化为词语序列的表示。实验结果及分析本文实验中，选是其提取文本特征依旧局限于词语级别，而忽略了句子之间的依赖关系孙嘉琪等人先使用了来解决文本语义的长期依赖问题，但是由于所存在的梯度消失这问题，又使用了的方法加以改进。朱文峰为了提升算法时间效率并兼顾准确度，结合卷积模型中的注意力机制并行连接长短时记忆网络以及门控循环单元构建个深度模型。对于明敏基于的文本分类算法研究扬州扬州大学，孙嘉琪，王晓晔，周晓雯基于神经网络模型的文本分类研究综述天津理工大学学报，朱文峰基于支持向量机与神经网络的文本分类算法研究南京南京邮电大学......”。

7、“.....我们通过使用与组合，并加入自注意力机制调整词语对周围词的注意力权重的方法，更好地捕捉到了幽默文本中的语义信息以及长距离谐音谐义反转的特征信息，从而在原有的使用简单神经网络分类基础上准确率进步提高。目前将机器识别幽默运用到实际中还需要更深入的研究。在和模型作为对比模型，用以证明本文模型在幽默计算任务中的有效性。我们使用值准确率和召回率作为评价指标。由于任务为分类任务，因此均使用宏平均的指标。在任务中，经过对比我们可以发现，模型对于幽默识别任务来说能达到个相对较高的准确率，而在召回率上表现较差。而模型在召回率上有所提升基于深度学习的中文幽默计算论文原稿限的若干个词语，对模型捕获文本中存在的谐音谐义和反义等关系有重要作用......”。

8、“.....并通过平均池化来整合特征以及降低特征维度。输出层经过全连接层与卷积神经网络层相连，用于输出分类类别。实验实验数据本文实验所使用的数据为由大连理工大学信息检索实验室提供可以以定的规则进行计算。幽默計算可以进步揭示人类使用幽默的方式和机制，形成涵盖幽默机制的认知模型，实现更为智能的人机交互。同时，建立基于幽默的计算模型，有助于赋予计算机更深层次的人类认知。模型的嵌入层将输入的幽默文本序列映射为词向量序列，这些向量将与模型起参与训练双向长短时记忆层负责对词向量序列提取上下文的长训练双向长短时记忆层负责对词向量序列提取上下文的长距离依赖特征，使模型能够识别幽默文本序列存在的全局上下文模式......”。

9、“.....同时使模型具有识别文本中是否存在加强幽默效果的关键句的能力。自注意力层在双向长短时记忆层的基础上，通过文本序列中每个位置的词语对其他位置词语分配注意力权重，与技术，丁世涛，卢军，洪鸿辉，等基于的文本多选择分类系统的设计与实现计算机与数字工程，孙明敏基于的文本分类算法研究扬州扬州大学，孙嘉琪，王晓晔，周晓雯基于神经网络模型的文本分类研究综述天津理工大学学报，朱文峰基于支持向量机与神经网络的文本分类算法研究南京南京邮电大学，升，本文模型在准确率上相较于略有提升，而在召回率上提升幅度较大，并在值上达到的提升。结语对于本文的幽默类型及幽默等级分类任务，我们通过使用与组合，并加入自注意力机制调整词语对周围词的注意力权重的方法......”。