开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

是什么原因导致此LSTM的准确率如此之低？

LSTM（长短期记忆网络）是一种常用于处理序列数据的循环神经网络模型。其准确率低可能由以下原因导致：

数据质量问题：LSTM的准确率受到输入数据的质量影响。如果输入数据存在噪声、缺失值或异常值，会导致模型难以准确预测。解决方法可以是数据清洗和预处理，包括去除噪声、填补缺失值或使用异常检测算法。
数据量不足：LSTM模型需要大量的训练数据来学习模式和规律。如果训练数据量过小，模型可能无法充分学习到数据的特征，从而导致准确率低下。解决方法可以是增加训练数据量，或者使用数据增强技术来扩充数据集。
模型参数设置不合理：LSTM模型的准确率也受到模型参数的选择影响。例如，隐藏层的大小、学习率、迭代次数等参数都会对模型性能产生影响。合理地选择这些参数可以提高模型的准确率。可以通过调参的方式来优化模型参数，例如使用网格搜索或随机搜索等方法。
过拟合问题：LSTM模型容易出现过拟合现象，即在训练集上表现良好但在测试集上表现较差。过拟合可能是由于模型过于复杂或训练数据过少导致的。解决方法可以是增加正则化项（如L1或L2正则化）、使用dropout技术、提前停止训练等。
模型结构不合适：LSTM模型的结构可能不适合解决特定的问题。不同的问题可能需要不同的模型结构或网络架构。可以尝试使用其他类型的循环神经网络模型，如GRU（门控循环单元）或基于注意力机制的模型，来提高准确率。

总结起来，LSTM模型准确率低可能是由于数据质量问题、数据量不足、模型参数设置不合理、过拟合问题或模型结构不合适等原因导致的。针对具体问题，可以通过数据预处理、增加数据量、调参、正则化、改变模型结构等方法来提高准确率。

腾讯云相关产品和产品介绍链接地址：

数据清洗和预处理：腾讯云数据清洗平台（https://cloud.tencent.com/product/dcp）
数据增强技术：腾讯云数据增强（https://cloud.tencent.com/product/daug）
模型调参：腾讯云超参优化（https://cloud.tencent.com/product/hpo）
模型部署和推理：腾讯云AI推理（https://cloud.tencent.com/product/aii）
其他相关产品：腾讯云人工智能服务（https://cloud.tencent.com/solution/ai）

相关搜索:导致此IndexOutOfBoudeException的原因是什么？导致此ActiveRecord :: ReadOnlyRecord错误的原因是什么？导致此无效日期错误的原因是什么？是什么原因导致此Mocha测试超时？导致此NameError的原因是什么？Python 3.x 导致此Java未捕获错误的原因可能是什么找不到导致此崩溃的原因(SIGABRT)解析JSON时导致此语法错误的原因是什么？是什么原因导致此返回()创建一个SyntaxError？导致此错误“无法解决(110:操作超时)”的原因可能是什么？是什么原因导致svg图像与元素相比如此之小？是什么原因导致此GCP GAE [RESOURCE_EXHAUSTED]配额错误？导致MyISAM腐败的原因是什么？导致ConnectionStateError的可能原因是什么？导致分段错误的原因是什么？导致此错误的原因可能是什么。执行任务':app:compileFlutterBuildRelease‘失败导致此yahoo_fin get_quote_table错误的原因是什么？是什么原因导致此VBA代码花了这么长时间运行？是什么原因导致此网页上图像右侧出现空白区域？导致此错误的原因:错误cSPADE算法'eid‘无效

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

复联还没下档，AI 已经等不及要推荐新电影了

截止上周日，「复联 3 」全球票房收入累计已达 16.86 亿美元，目前在全球历史票房排名第四。打造一部像「复联 3 」这类票房口碑双丰收的作品一直是电影制作人们的梦想。

01

为什么神经网络模型在测试集上的准确率高于训练集上的准确率？

如上图所示，有时候我们做训练的时候，会得到测试集的准确率或者验证集的准确率高于训练集的准确率，这是什么原因造成的呢？经过查阅资料，有以下几点原因，仅作参考，不对的地方，请大家指正。

01

深度学习在语音识别上的应用

我今天演讲主要分四个部分，第一个是分享语音识别概述，然后是深度神经网络的基础；接下来就是深度学习在语音识别声学模型上面的应用，最后要分享的是语音识别难点以及未来的发展方向。

04

使用Keras进行深度学习：（五）RNN和双向RNN讲解及实践

作者 | Ray 编辑 | 磐石出品 | 磐创AI技术团队【磐创AI导读】：本文主要介绍了RNN与双向RNN网路的原理和具体代码实现。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。进入公众号通过下方文章精选系列文章了解更多keras相关项目。介绍通过对前面文章的学习，对深度神经网络(DNN)和卷积神经网络(CNN)有了一定的了解，也感受到了这些神经网络在各方面的应用都有不错的效果。然而这些网络都有一个共同的特点：每一层的神经元之间是相互独立的，如输入层的神经元彼此之间是独立的。然而，现实世界中很

03

学界 | 神奇！只有遗忘门的LSTM性能优于标准LSTM

选自arXiv 作者：Jos van der Westhuizen、Joan Lasenby 机器之心编译参与：Pedro、路本论文研究 LSTM 只有遗忘门的话会怎样，并提出了 JANET，实验表明该模型的性能优于标准 LSTM。 1.介绍优秀的工程师确保其设计是实用的。目前我们已经知道解决序列分析问题最好的方式是长短期记忆（LSTM）循环神经网络，接下来我们需要设计一个满足资源受限的现实世界应用的实现。鉴于使用两个门的门控循环单元（Cho 等，2014）的成功，第一种设计更硬件高效的 LSTM 的

06

罗冬日：深度学习在语音识别上的应用

我今天演讲主要分四个部分，第一个是分享语音识别概述，然后是深度神经网络的基础；接下来就是深度学习在语音识别声学模型上面的应用，最后要分享的是语音识别难点以及未来的发展方向。

08

RNN增强—ACT（自适应计算次数）多因子选股模型

今天我们来读一篇来自国信证券研究文章 RNN简介 RNN 不同于传统神经网络的感知机的最大特征就是跟时间挂上钩，即包含了一个循环的网络，就是下一时间的结果不仅受下一时间的输入的影响，也受上一时间输出的影响，进一步地说就是信息具有持久的影响力。放在实际中也很容易理解，人们在看到新的信息的时候产生的看法或者判断，不仅仅是对当前信息的反应，先前的经验、思想的也是参与进去这次信息的推断的。人类的大脑不是一张白纸，是包含许多先验信息的，即思想的存在性、持久性是显然的。举个例子，你要对某电影中各个时点发生的事件类

07

【Google 重磅突破】相比LSTM，NLP 关键任务提升 20%

自然语言理解是人工智能的核心技术，在智能客服、聊天助手、文本推荐、语义理解等领域都有非常多的应用。但自然语言理解相比图像识别、语音识别，一直没有找到很好的深度学习构型，所以进展也比较缓慢。今天推荐的 Google 论文，在 NLP 的关键任务（接续语句预测）上，能做到 20% 的提升。除此之外，在接续词语预测、语句话题预测方面也有不错的成绩。自然语言理解（NLP）是人工智能领域使用程度最高的技术之一。受益于最近自然语言理解技术的发展，现在已经可以应用在很多领域，例如航班预定、客服服务、任务管理、聊

09

干货 | NLP在携程机票人工客服会话分类中的应用

携程一直注重用户的服务效率与服务体验，在售前、售中、售后全过程中给用户提供高效的客服支持。

06

ACL 2017 杰出论文公布，国内四篇论文入选（附解读）

机器之心报道参与：PaperWeekly、机器之心国际计算语言学协会 (ACL，The Association for Computational Linguistics)，是世界上影响力最大、最具活力的国际学术组织之一，其会员遍布世界各地。第 55 届国际计算语言学协会（ACL）年会将于 7 月 30 日-8 月 4 日在加拿大温哥华举行。 ACL 会议是计算语言学领域的首要会议，广泛涉及自然语言的计算方法及其各类研究领域。ACL 2017 除了主要会议之外，还如同其他顶级会议一样包含研讨会、专题报

07

基于 RNN、LSTM 的股票多因子预测模型

前言在机器学习如何应用到量化投资的系列文章中，今天我们专门来介绍一篇来自国信证券的研究报告，来从券商角度分析这个问题。对于最直接的问题：能否利用神经网络，要机器自己识别 K 线图，自己做出判断，本篇推文的内容无法给出肯定的答案，但也不能否定其可能性，回答它需要更为深入、更为复杂的神经网络。本篇推文的目的是利用深度神经网络中的 RNN 的一些基本结果，对多因子模型进行尝试，以检验深度神经网络在多因子、投资领域的适用性，使得投资者能够对神经网络有更为实践的理解，并能够在投资领域有所运用。 RNN简介 R

08

基于深度学习网络的运动想象BCI系统及其应用

研究人员提出了一种基于深度学习模型的运动想象脑机接口(BCI)。运动想象的脑动力学通常通过EEG作为低信噪比的非平稳时间序列进行测量。研究人员经过调研发现，以往对MI-EEG信号进行分类的方法，由于缺乏时频特征，分类效果不是很理想。在该项研究中，研究人员采用离散小波变换(DWT)对脑电信号进行变换，并提取其有效系数作为时频特征。然后采用长-短期记忆(LSTM)和门控递归神经网络(GRNN)两种深度学习模型对MI-EEG数据进行分类。

01

短视频分类进化：从 LR 到 LSTM

本文介绍了基于LSTM的短视频分类方法，包括数据预处理、特征提取、模型训练和结果分析等步骤。实验结果表明，该方法在短视频分类中取得了较好的效果，能够准确识别不同的短视频类别。

01

AI也脸盲 |黑人遭人脸识别技术“误判”概率竟高出白人5至10倍！

法国有一家名叫Idemia的公司，它的人脸识别软件已经在为美国、澳大利亚和法国的警方提供服务。

02

评测 | CNTK在Keras上表现如何？能实现比TensorFlow更好的深度学习吗？

选自MiniMaxir 作者：Max Woolf 机器之心编译参与：Jane W、吴攀 Keras 是由 François Chollet 维护的深度学习高级开源框架，它的底层基于构建生产级质量的深度学习模型所需的大量设置和矩阵代数。Keras API 的底层基于像 Theano 或谷歌的 TensorFlow 的较低级的深度学习框架。Keras 可以通过设置 flag 自由切换后端（backend）引擎 Theano/TensorFlow；而不需要更改前端代码。虽然谷歌的 TensorFlow 已广受

05

使用BiLSTM神经网络+PyTorch实现汉语分词模型的训练

此次实验主要是为了深入比较和评估不同中文分词方法的性能，以便于更全面地理解它们的优点和局限性。在此次实验中我将使用两种主要方法来实现中文分词：一种是基于词典的正向匹配算法，另一种是基于神经网络的双层双向长短时记忆网络（LSTM）模型。

01

MLK | 一文理清深度学习循环神经网络

在开始讲循环神经网络之前，我们可以简单来回顾一下前向神经网络的知识点，因为这一块的知识是有一些互通的呢（请戳《一文理清深度学习前馈神经网络》）。

04

使用RNN和CNN混合的’鸡尾酒疗法’，提升网络对文本的识别正确率

前几节我们详细研究了GRU和LSTM网络层，这两者特点是能够抓取输入数据在时间上的逻辑联系，因此这两种网络特别容易从文本中抓取规律，因为文本是有一个个单词依据前后次序连接起来的整体，单词与单词之间的连接可以看做是时间上前后相连的组合，因此使用GRU和LSTM构成的网络来进行文本的情绪分析时，正确率能高达90%。

03

Calibration: 一个工业价值极大，学术界却鲜有研究的问题！

在实际的工业应用中，当模型的准确性无法达到预期的标准时，通常思考采用提高模型决策的阈值。而这种方法在神经网络上不一定适用。本文介绍了一篇来自2017年的ICML顶会论文，关于让模型的softmax输出能真实的反映决策的置信度，也就是Calibration问题。

01

基于对数谱图的深度学习心音分类

这是一篇很有意思的论文，他基于心音信号的对数谱图，提出了两种心率音分类模型，我们都知道：频谱图在语音识别上是广泛应用的，这篇论文将心音信号作为语音信号处理，并且得到了很好的效果。

03

学界 | Bengio等提出稀疏注意力回溯：长期依赖关系建模的更一般化机制

人类对与当前心理状态相关的很久之前的事件有很强的记忆能力（Ciaramelli et al., 2008）。大多数关于记忆的实验和理论分析都集中在理解形成记忆和回忆的精细路径上。然而，自动化的提醒机制（当记忆涌入脑海），会对认知有很大的影响。提醒机制通常是由检索时出现的上下文特征触发的，这些特征与被记忆的显著特征相匹配（Berntsen et al., 2013; Wharton et al., 1996），它通常更容易在意料之外的事件之后被触发（Read & Cesa, 1991）。因此，一个人当前的理解状态可以触发对过去状态的回忆。提醒机制有时可能会提供一些无关的信息导致注意力被分散（Forbus et al., 1995; Novick, 1988），但是它也可以通过提供决策所必需的信息，在持续的认知过程中发挥有效的计算作用（Benjamin & Ross, 2010）。

01

干货 | 故障召回率提升34%，携程智能异常检测实践

携程作为在线旅游公司，对外提供机票、酒店、火车票、度假等丰富的旅游产品，其系统稳定性关乎用户是否具有顺滑的出行体验。然而，流量激增、代码发布、运维变更等都会给系统稳定性带来挑战。

01

DNN/LSTM/Text-CNN情感分类实战与分析

最近把2014年Yoon Kim的《Convolutional Neural Networks for Sentence Classification》看了下，不得不说虽然Text-CNN思路比较简单，但确实能够在Sentence Classification上取得很好的效果。另外，之前@霍华德大神提了这个问题，链接如下：

03

首发 | 哈工大在CoNLL上斩获全球第四，车万翔博士详解背后的技术细节

CoNLL 系列评测是自然语言处理领域影响力最大的技术评测，每年由 ACL 的计算自然语言学习会议（Conference on Computational Natural Language Learning，CoNLL）主办。在今年 CoNLL-2017 评测（http://universaldependencies.org/conll17/）上，哈工大社会计算与信息检索研究中心取得第四名的佳绩，这也是亚洲团队所取得的最好成绩。为此，AI 科技评论近日邀请到了哈尔滨工业大学计算机学院副教授车万翔博士做了一次

09

基于YOLOv3的车辆号牌定位算法【文末送书】

注：本文选自中国水利水电出版社出版的《PyTorch深度学习之目标检测》一书，略有改动。经出版社授权刊登于此。

02

OCR技术简介

同时在本微信公众号中，回复“SIGAI”+日期，如“SIGAI0515”，即可获取本期文章的全文下载地址（仅供个人学习使用，未经允许，不得用于商业目的）。

05

从Caffe2到TensorFlow，十种框架构建相同神经网络效率对比

选自Medium 作者：Ilia Karmanov 机器之心编译参与：路雪、黄小天近日，Ilia Karmanov 在 Medium 发表了一篇题为《Neural Net in 10 Frameworks (Lessons Learned)》的文章，其内容源自一个 GitHub 项目，其中作者通过构建同一个神经网络，对比了当前最流行的 10 种深度学习框架，其中 Caffe2 和 MXNet 在准确度和训练时长上处于领先位置。该项目甚至还得到了 FAIR 研究者、各大框架创始人（比如贾扬清）的支持。机器

04

一招检验10大深度学习框架哪家强！

来源：机器之心本文长度为2698字，建议阅读4分钟本文通过构建同一个神经网络，对比当前最流行的 10 种深度学习框架。 [ 导读 ]近日，Ilia Karmanov 在 Medium 发表了一篇题为《Neural Net in 10 Frameworks (Lessons Learned)》的文章，其内容源自一个 GitHub 项目，其中作者通过构建同一个神经网络，对比了当前最流行的 10 种深度学习框架，其中 Caffe2 和 MXNet 在准确度和训练时长上处于领先位置。该项目甚至还得到了 FA

07

深度神经网络对脑电信号运动想象动作的在线解码

近年来，深度学习方法的快速发展使得无需任何特征工程的端到端学习成为可能，这有利于BCI运动想象应用的发展。慕尼黑工业大学和澳大利亚研究发展团队(Research and Development, Integrated Research, Sydney 2060) 在论文中将深度学习方法与传统分类算法在数据集上进行了验证比较。

03

论文周报 | 第11期验证深度神经网络对脑电信号运动想象的在线解码

抱歉各位脑机接口社区的好朋友，今天分享来晚了。Rose小哥昨天回家了，坐了一天的车，今天一大早又赶着外甥女的生日，这会才抽出时间来分享。估计在家的这段时间里，分享时间可能会不固定，提前和朋友们说一声，感谢大家的关注。

02

基于LSTM搭建一个文本情感分类的深度学习模型:准确率往往有95%以上

基于情感词典的文本情感分类传统的基于情感词典的文本情感分类，是对人的记忆和判断思维的最简单的模拟，如上图。我们首先通过学习来记忆一些基本词汇，如否定词语有“不”，积极词语有“喜欢”、“爱”，消极词语

04

从Caffe2到TensorFlow，十种框架构建相同神经网络效率对比

近日，Ilia Karmanov 在 Medium 发表了一篇题为《Neural Net in 10 Frameworks (Lessons Learned)》的文章，其内容源自一个 GitHub 项目，其中作者通过构建同一个神经网络，对比了当前最流行的 10 种深度学习框架，其中 Caffe2 和 MXNet 在准确度和训练时长上处于领先位置。该项目甚至还得到了 FAIR 研究者、各大框架创始人（比如贾扬清）的支持。机器之心对该文进行了编译。项目GitHub链接：https://github.com/i

08

新书《Pytorch深度学习之目标检测》！干货预览

注：本文选自中国水利水电出版社出版的《PyTorch深度学习之目标检测》一书，略有改动。经出版社授权刊登于此。

05

基于LSTM搭建文本情感分类的深度学习模型:准确率95%

传统的基于情感词典的文本情感分类，是对人的记忆和判断思维的最简单的模拟，如上图。我们首先通过学习来记忆一些基本词汇，如否定词语有“不”，积极词语有“喜欢”、“爱”，消极词语有“讨厌”、“恨”等，从而在大脑中形成一个基本的语料库。然后，我们再对输入的句子进行最直接的拆分，看看我们所记忆的词汇表中是否存在相应的词语，然后根据这个词语的类别来判断情感，比如“我喜欢数学”，“喜欢”这个词在我们所记忆的积极词汇表中，所以我们判断它具有积极的情感。

01

今日 Paper | RevealNet；时间序列预测；无监督问答；实时语义立体匹配等

BERT还不足以称之为知识库：无监督问答任务中BERT对事实性的知识和基于名称的推理学习能力对比

02

ICLR 2019最佳论文出炉：微软、MILA、MIT获奖

一年一度的深度学习盛会 ICLR 将于当地时间 5 月 6 日-9 日在新奥尔良举行。据统计，ICLR 2019 共收到 1591 篇论文投稿，相比去年的 996 篇增长了 60%，其中 oral 论文 24 篇，poster 论文 476 篇。

04

教程 | 如何使用LSTM在Keras中快速实现情感分析任务

选自TowardsDataScience 作者：Nimesh Sinha 机器之心编译参与：Nurhachu Null、路雪本文对 LSTM 进行了简单介绍，并讲述了如何使用 LSTM 在 Keras 中快速实现情感分析任务。长短期记忆网络通常被称为 LSTM，它是由 Hochreiter 和 Schmiduber 提出的，被广泛地应用在语音识别、语言建模、情感分析和文本预测中。在深入 LSTM 之前，我们首先应该理解对 LSTM 的需求，这个可以通过 RNN 在实际应用中的缺陷来解释。所以我们就从

04

LSTM模型实战案例：TensorFlow实现预测3位彩票号码

使用人工智能技术来预测彩票，是这次的主题，那么预测哪种彩票呢？我们先选择简单一些的，就是排列组合少一些的，如果证明我们的模型work，再扩展到其他的彩票上。最终我选择了排列三, 从000-999的数字中选取1个3位数，一共有1000种，中奖概率就是千分之一，够简单了吧。

03

别再SOTA了，那叫“微调”！Science发文炮轰论文灌水

为了一探究竟，来自MIT的研究人员，便对81种AI算法做了横测，结果令人大跌眼镜：

02

别再SOTA了，那叫“微调”！Science发文炮轰论文灌水

为了一探究竟，来自MIT的研究人员，便对81种AI算法做了横测，结果令人大跌眼镜：

02

干货 | 一文带你读懂DeepMind新论文，关联推理为什么是智能最重要的特征

大数据文摘作品，转载要求见文末编译 | 宁云州、张礼俊、笪洁琼每一次DeepMind发布一篇新论文，媒体都会疯狂地报道。其中不乏许多让人迷惑的术语。比如就有未来主义者这样报道： DeepMind开发了一个可以感知周围事物的神经网络。这不仅仅误导人，还吓跑了那些没有接受过博士阶段的学习的人。所以在这篇文章里，我打算用尽量简单的语言来解释这个新的神经网络架构，这篇文章也要求一些神经网络方面的基础知识。你可以在这里找到原论文：https://arxiv.org/pdf/1706.01427.pdf 什么是

02

【用户增长】渠道增长SOP：轻松实现内渠提效复盘分析

导语｜微信是内渠分发的重要渠道，增长中心与微信深度合作，通过成熟游戏节点活动等多种方式提升IEG游戏在微信的分发效率，增长数据组围绕内渠提效增长沉淀了一套分析SOP，方便快速定位投放中出现的问题，接下来为大家分享下，我们的内渠提效增长SOP建设遇到的问题和我们的拆解方法。

01

基于TextCNN的谩骂评论识别模型

“网络喷子”群体的出现，使新闻文章中的谩骂评论屡见不鲜。本文旨在利用卷积神经网络构建谩骂评论的自动识别模型，用机器对抗喷子。

一颗芯片解决所有语音交互，百度做了一项改变行业的技术革新

4月20日，百度旗下人工智能品牌小度发布了新款无屏智能音箱——小度智能音箱 2 红外版。据百度官方介绍，该音箱搭载了百度首款针对远场语音交互研发的鸿鹄芯片，性能上有三大提升：1）在语音识别上错误率平均降低30%；2）高噪声下首次唤醒率提升10%以上，且达到家居场合使用的超低误报要求；3）平均工作功耗仅100mw左右，待机功耗下降90%。

03

用深度学习从非结构化文本中提取特定信息

这是我们在iki项目工作中的一系列技术文章中的第一篇，内容涵盖用机器学习和深度学习技术来解决自然语言处理与理解问题的一些应用案例。

02

拳打Adam，脚踢SGD：北大提出全新优化算法AdaBound

2018 年 12 月 21 日，ICLR 2019 论文接收结果揭晓。据统计，ICLR 2019 共收到 1591 篇论文投稿，相比去年的 996 篇增长了 60%。ICLR 2019 共接收论文 500 篇，其中 oral 论文 24 篇、poster 论文 476 篇。

03

拳打Adam，脚踢SGD：北大提出全新优化算法AdaBound

2018 年 12 月 21 日，ICLR 2019 论文接收结果揭晓。据统计，ICLR 2019 共收到 1591 篇论文投稿，相比去年的 996 篇增长了 60%。ICLR 2019 共接收论文 500 篇，其中 oral 论文 24 篇、poster 论文 476 篇。

02

论文赏析[NAACL19]一个更好更快更强的序列标注成分句法分析器

Better, Faster, Stronger Sequence Tagging Constituent Parsersgodweiyang.com

01

告别捅嗓子？AI手机程序通过声音检测新冠，准确率已达到89%

大数据文摘出品不知道大家对做核酸怎么看，反正文摘菌的喉咙已经起茧了。不过为了防疫大局，也为了知道确定自己的健康状况，通过核酸确认自己没有感染新冠又在所难免。等等……有没有其他方法可以检测自己有没有中招？最好还是不用出门的那种。你别说，这样的技术还真有可能出现。 9月8日在西班牙巴塞罗那举行的欧洲呼吸学会国际大会(European Respiratory Society International Congress)上发表的一项研究表明，一款手机应用程序借助人工智能，可以通过你的声音判断中是否感染了

02

LSTM模型在问答系统中的应用

在问答系统的应用中，用户输入一个问题，系统需要根据问题去寻找最合适的答案。 1、采用句子相似度的方式。根据问题的字面相似度选择相似度最高的问题对应的答案，但是采用这种字面相似度的方式并不能有效的捕获用户意图的能力有限。 2、IBM早期应用在watson系统中的DeepQa（http://Building%20Watson:%20An%20Overview%20of%20the%20DeepQA%20Project）算法。该算法通过人工抽取一系列的特征，然后将这些特征输入一个回归模型。该算法普适性较强，并且能

07

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭