soejjdiwjssundo的博客

本项目是一个基于预训练语言模型（BERT/RoBERTa）的中文商品分类系统，旨在实现对商品名称的自动多级标签分类。该系统能够处理复杂的商品命名文本，自动识别商品的一级和二级类别标签，为电商平台、零售系统或商品管理系统提供高效准确的商品分类服务。

本项目使用BERT多任务学习框架检测学生数学解题中的误解，包含三个核心任务：(1)答案正确性分类(二分类)，(2)误解存在检测(二分类)，(3)具体误解类型识别(多分类)。

本文介绍了一个基于RoBERTa的医学Query语义匹配系统，旨在判断医疗查询对之间的语义相关性。系统可将查询对分为三类：主题等价（2分）、语义子集关系（1分）和语义父集或无关（0分）。该项目使用CBLUE基准中的KUAKE-QQR数据集，包含6,938条训练样本和2,312条验证/测试样本。系统基于RoBERTa-large预训练模型，结合早停机制和训练可视化技术，实现了医疗文本的精准语义匹配。

本项目是一个基于 BERT 和 HanLP 中的一系列自然语言处理方法，旨在开发一个基于深度学习的仇恨言论检测系统，能够识别文本中的仇恨言论目标群体以及言论核心论点，系统采用BERT模型以及HanLP库中的语义角色标注（SRL）和依存句法分析（DEP），通过语义分析和模式识别技术实现高效检测

本项目是基于大众点评的餐厅文字评论，使用HAN模型，对评论进行多方位（总体、环境、口味、服务）情感评分进行预测。

本项目采用深度学习方法，具体使用架构实现英文到中文的机器翻译任务。是一种基于自注意力机制的序列到序列（Seq2Seq）模型，专为高效处理长距离依赖和并行计算设计。其核心思想是通过多头注意力替代传统循环或卷积结构，实现全局上下文建模。主要由编码器(Encoder)和解码器(Decoder)组成，采用完全基于注意力机制的结构，摒弃了传统的循环神经网络。

本项目基于多模态深度学习的情感分析系统，融合图像与文本双模态输入，通过改进的ResNet101(集成通道注意力机制) 解析酒店环境图片，实现八类主题属性识别和情感倾向检测，同时结合微调的中文Bert模型对评论文本进行六个维度的细粒度情感分析，因为使用的是文本和图像分别训练模型，然后综合计算得到情感倾向，所以项目支持图像、文本独立或联合推理。项目采用多任务学习架构，具备模块化设计、注意力增强、概率融合决策等技术特性，并采用Flask框架构建 Web 服务。

使用BERT模型完成基础的NLP新闻分类任务