1. 论文标题: PGSO: Prompt-based Generative Sequence Optimization Network for Aspect-based Sentiment Analysis
作者: Dong Hao, Wei Wei*
期刊：Expert Systems with Applications (ESWA, Impact Factor=7.5)
内容简介: 当前基于生成式预训练语言模型的细粒度情感分析（ABSA）方法侧重于通过预定义释义模版（Paraphrase template）来辅助语言模型理解情感元之间隐式关联。然而，上述方法中通常涉及了模型位置编码机制，其在本中长距离依赖关系（如方面项与观点项之间的依赖关系）建模时存在局限性，导致模型在预测阶段存在情感元素遗漏和冗余问题。针对上述问题，我们提出了两种不同上下文（Context）语序优化方法，即基于规则的静态语序优化算法和基于评估的动态语序优化算法，其旨在保留原始上下文表征的同时，增强模型抽取文本中长距离依赖关系能力。此外，为了更有效地利用语言模型的先验知识、优化模型在处理不同长度文本时的语序调整能力，在动态语序优化算法的基础上，我们进一步提出了基于提示学习的语序优化网络（PGSO）模型。实验结果表明，PGSO模型在4个ABSA任务的12个数据集上的性能均优于当前的先进方法。
图 1 模型框架图
2. 论文标题: Local and Global Feature Attention Fusion Network for Face Recognition
作者: Yu Wang, Wei Wei*
期刊：Pattern Recognition (PR, Impact Factor=7.74)
内容简介: 真实人脸识别场景下，因遮挡或者阴影等问题容易导致人脸识别局部区域存在不可见或形变等问题，因此如何进行低质图像的人脸识别目前仍面临挑战。目前，主流研究已有众多研究方案，但通常忽略了不同低质图像中存在的特征质量偏差问题，即因姿态、遮挡等因素导致局部区域不全的低质图像，其局部区域相似度在人脸识别中权重较大；而相反，在因表情、年龄等因素造成的面部局部区域存在形变的问题，过度关注局部区域则可能导致模型性能下降，因此全局特征建模更具鲁棒性。针对上述问题，我们提出了一种基于注意力的局部和全局特征注意力融合（LGAF）模型，具体来说，LGAF通过特征范数衡量特征质量以自适应计算不同（局部/全局）特征关注程度，通过局部和全局特征间的互补性，以生成低质图像上的关键特征用于人脸识别。此外，我们引入了多头多尺度局部特征提取（MHMS）模块，用于有效获取不同尺度下的细粒度信息以提高人脸特征在高维空间的可分性。实验结果表明，LGAF在4个验证集（CFP-FP、CPLFW、AgeDB和CALFW）上的平均性能最优，在低质量测试集TinyFace和SCFace上的性能也优于已有最先进方法。
图2 模型框架图
图3 在TinyFace中可视化部分低质量人脸图像的局部和全局特征图。行(a)表示原始图像，行(b)表示全局特征图，(c) -(f)行表示MHMS模块提取的局部特征图。