27、多任务卷积神经网络模型在引文分类及交通流量预测中的应用

多任务卷积神经网络模型在引文分类及交通流量预测中的应用

引言

在学术研究和交通领域，分别面临着引文分类和交通流量预测的重要问题。在引文分类方面，传统的机器学习方法存在特征提取耗时、依赖特定领域等问题，而在交通流量预测中，准确预测一直是难题，且以往模型往往忽略了如降水等环境因素的影响。本文将介绍多任务卷积神经网络（Multitask - CNN）模型在引文分类中的应用，以及基于轨迹数据考虑降水影响的深度交通流量预测架构（P - DBL）。

多任务卷积神经网络模型在引文分类中的应用

数据集与基线模型

为评估提出的多任务卷积神经网络（Multitask - CNN）模型在引文分类上的性能，使用了两个公开可用的数据集：
- 数据集1（Dataset1） ：包含3568个引文上下文示例，每个示例由四句组成，即引用给定被引论文的句子、前一句和后两句，所有上下文都标注了引文情感和目的。
- 数据集2（Dataset2） ：基于从ACL语料库中随机提取的引文句子构建，有1768个实例，每个示例仅包含一个句子作为上下文，并标注了引文情感和目的分类任务。

两个数据集在不同分类任务下的示例分布情况如下表所示：
| 分类任务 | 数据集1 | | 数据集2 | |
| — | — | — | — | — |
| | 类别 | 比例(%) | 类别 | 比例(%) |
| 引文情感 | 积极 | 32.6 | 积极 | 10.75 |
| | 消极 | 12.4 | 消极 | 3.22 |
| | 中立