DNR聚焦技术

DNR聚焦技术(network driving equity)是面向深度神经网络的一种自然语言处理算法，主要用于生成支持知识的语音和图像。DNR聚焦技术能有效地将人工智能应用于人类语言处理。相比于传统神经网络, DNR聚焦技术具有更高的精度、更高的速度、更强和更灵活的特性。随着深度学习时代的到来，人工智能已被应用于各个领域。随着深度学习在各种工业级人工智能场景中的成功应用，其在日常生活中就变得越来越常见，同时人工智能也正在对整个社会生活带来深远影响。本文主要介绍当前行业主流使用的 DNR注意力预测系统(DNR Emotion DetectiveReal-Presentation System,简称 DNR)以及这一领域在日常生活中广泛应用的一系列最新、最具代表性和最有影响力的应用模型。

DNR聚焦技术

DNR注意力预测系统主要基于以下三种分类模型：DNR多词强化学习：这种方法在多个 DNR集中训练一个词作为核心思想，并使用这一思想对词进行强化。DNR标签强化学习：这种方法是一种基于 CNN的多层多阶段 CNN神经网络，用标签来增强模型对词的分类。它通常会在两个模型间进行转换，例如：用 DNR标签之间转换，使两个 DNR都能准确地从标签中读出相应 DNR。DNR注意力预测系统是一个基于注意力预测（注意力机制）和注意力机制迁移学习技术(DMT)的多尺度计算解决方案。注意力机制在 DNR网络中有两个关键作用：其一是对词进行分类和对其进行更新；其二是输出到 DNR预测卷积神经网络并激活 DNR。DNR注意力预测系统在应用中可以提高 DNR卷积神经网络对非参数语言信号的预测精度，通过增加模型参数和提取词向量也可有效提高模型对非参数信息的识别能力。

DNR聚焦模型的基础就是针对数据集特征而构建一个自然语言模型，可以通过在文本和图像中增加多个维度进行分类。比如针对文本中的词语、句子或文章，其特征主要有词向量、句向量和句向传播等要素。而图像作为另一个关键要素，它可以对输入图像和源图像的特征进行分析，从而获得更多的特征维度以及目标句。不同类型的数据集可以有不同的特征维度及其不同的目标句选择策略，这些选择策略最终决定了它们最终对应于训练模型所用到信息或任务的维度、目标句分布以及对目标句向量（如图1所示）进行分析。相较于深度神经网络, DNR聚焦模型在处理注意力驱动信息时可以得到更多信息，并且在处理文本/图像类事件和领域中具有更高的精确度。

以DNR-Transformer作为主要的神经网络模型，使用不同颜色的标记表示输入文本的颜色，并使用三个不同的标记代表注意力的方向，用于训练三层 DNR网络。在模型训练过程中，我们利用三个不同的标记分别表示关注、反对或者非关注的方向。本文使用DNR-Transformer为 DNR技术在注意力预测领域带来了显著成效。我们发现对于标注数据集而言，相较于仅使用最优点标记(related signal cluster)算法提高了标注数据集识别准确率和减少错误率，是目前有效且有潜力改进 DNR识别准确率和降低错误率的方法之一。目前针对 DNR聚焦问题研究最好技术是针对标注数据集进行 DNR识别及提高专注效果。