DNR聚焦技術(shù)(network driving equity)是面向深度神經(jīng)網(wǎng)絡(luò)的一種自然語言處理算法，主要用于生成支持知識的語音和圖像。DNR聚焦技術(shù)能有效地將人工智能應用于人類語言處理。相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò), DNR聚焦技術(shù)具有更高的精度、更高的速度、更強和更靈活的特性。隨著深度學習時代的到來，人工智能已被應用于各個領(lǐng)域。隨著深度學習在各種工業(yè)級人工智能場景中的成功應用，其在日常生活中就變得越來越常見，同時人工智能也正在對整個社會生活帶來深遠影響。本文主要介紹當前行業(yè)主流使用的 DNR注意力預測系統(tǒng)(DNR Emotion DetectiveReal-Presentation System,簡稱 DNR)以及這一領(lǐng)域在日常生活中廣泛應用的一系列最新、最具代表性和最有影響力的應用模型。

DNR聚焦技術(shù)

DNR注意力預測系統(tǒng)主要基于以下三種分類模型：DNR多詞強化學習：這種方法在多個 DNR集中訓練一個詞作為核心思想，并使用這一思想對詞進行強化。DNR標簽強化學習：這種方法是一種基于 CNN的多層多階段 CNN神經(jīng)網(wǎng)絡(luò)，用標簽來增強模型對詞的分類。它通常會在兩個模型間進行轉(zhuǎn)換，例如：用 DNR標簽之間轉(zhuǎn)換，使兩個 DNR都能準確地從標簽中讀出相應 DNR。DNR注意力預測系統(tǒng)是一個基于注意力預測（注意力機制）和注意力機制遷移學習技術(shù)(DMT)的多尺度計算解決方案。注意力機制在 DNR網(wǎng)絡(luò)中有兩個關(guān)鍵作用：其一是對詞進行分類和對其進行更新；其二是輸出到 DNR預測卷積神經(jīng)網(wǎng)絡(luò)并激活 DNR。DNR注意力預測系統(tǒng)在應用中可以提高 DNR卷積神經(jīng)網(wǎng)絡(luò)對非參數(shù)語言信號的預測精度，通過增加模型參數(shù)和提取詞向量也可有效提高模型對非參數(shù)信息的識別能力。

DNR聚焦模型的基礎(chǔ)就是針對數(shù)據(jù)集特征而構(gòu)建一個自然語言模型，可以通過在文本和圖像中增加多個維度進行分類。比如針對文本中的詞語、句子或文章，其特征主要有詞向量、句向量和句向傳播等要素。而圖像作為另一個關(guān)鍵要素，它可以對輸入圖像和源圖像的特征進行分析，從而獲得更多的特征維度以及目標句。不同類型的數(shù)據(jù)集可以有不同的特征維度及其不同的目標句選擇策略，這些選擇策略最終決定了它們最終對應于訓練模型所用到信息或任務(wù)的維度、目標句分布以及對目標句向量（如圖1所示）進行分析。相較于深度神經(jīng)網(wǎng)絡(luò), DNR聚焦模型在處理注意力驅(qū)動信息時可以得到更多信息，并且在處理文本/圖像類事件和領(lǐng)域中具有更高的精確度。

以DNR-Transformer作為主要的神經(jīng)網(wǎng)絡(luò)模型，使用不同顏色的標記表示輸入文本的顏色，并使用三個不同的標記代表注意力的方向，用于訓練三層 DNR網(wǎng)絡(luò)。在模型訓練過程中，我們利用三個不同的標記分別表示關(guān)注、反對或者非關(guān)注的方向。本文使用DNR-Transformer為 DNR技術(shù)在注意力預測領(lǐng)域帶來了顯著成效。我們發(fā)現(xiàn)對于標注數(shù)據(jù)集而言，相較于僅使用最優(yōu)點標記(related signal cluster)算法提高了標注數(shù)據(jù)集識別準確率和減少錯誤率，是目前有效且有潛力改進 DNR識別準確率和降低錯誤率的方法之一。目前針對 DNR聚焦問題研究最好技術(shù)是針對標注數(shù)據(jù)集進行 DNR識別及提高專注效果。