传统文本分类使用word embedding作为文档表示，忽略词在当前上下文的含义，潜在地认为相同词在不同文本中含义相同。针对此问题提出一种词义消歧的卷积神经网络文本分类模型——WSDCNN（word sense disambiguation convolutional neural network）。使用双向长短时记忆网络（BLSTM）建模上下文，得到词义消歧后的文档特征图；利用卷积神经网络（CNN）进一步提取对文本分类最重要的特征。在四个数据集上进行对比实验，结果表明，所提出方法在两个数据集，特别是文档级数据集上优于先前最好的方法，在另外两个数据集上得到与此前最好方法相当的结果。

基于python3、tensorflow库的bilstm程序。双向长短时记忆网络。python文件。

新闻报道中观点能够影响读者的感受，针对目前新闻报道中观点提取缺失的现状。本文提出一种条件随机场（CRF）和深度学习相结合的模型，通过集成深度学习的BiLSTM方法和改进型CRF方法，实现对新闻文章的观点持有者、评价对象和观点极性3种实体信息的提取。试验表明:相较于CRF算法，准确率、召回率和F1值平均提高12.29%、10.00%和11.07%。

基于长短时记忆元的语音智能识别系统设计.pdf

EEMD-LSTM-DO-prediction EEMD(集合经验模态分解)、LSTM(长短时记忆网络)、time series prediction(时间序列预测)、DO（dissolved oxygen,溶解氧） 本文提出了一种改进后的 LSTM 模型，即 EEMD-LSTM 模型。该方法在获取原始 溶解氧时间序列后并预处理后，经过 EEMD 分解为若干子序列，并对其分别建立 LSTM 预测模型，叠加个各个模型的预测结果即可获取最终的预测结果。在获取江苏无锡长江 水质实时监测站溶解氧数据后展开实验，选取原始 LSTM 模型、改进后的 BP 模型、原 始 BP 模型作为对比，实验表明，EEMD-LSTM 模型具有最小的预测误差，更好的模拟 溶解氧时间序列的走势，具有最好的预测效果。 This paper presents an improved LSTM model, the EEMD-

针对脉内无意调相实现雷达辐射源个体识别时存在的分类模型性能不佳的问题，提出了一种长短时记忆加全卷积网络的雷达辐射源个体识别方法。首先给出了脉内信号相位的简化观测模型，并对观测相位序列进行去斜处理，提取无意调相的含噪估计；然后利用贝塞尔曲线拟合无意调相，降低噪声的影响，获得无意调相更为精确的描述；最后利用长短时记忆加全卷积网络提取无意调相序列的联合特征，实现雷达辐射源个体自动识别。仿真实验以及实测数据实验均验证了所提算法的可行性与有效性，实验结果表明，所提算法识别正确率高、耗时短。

数据科学家，学生，机器学习工程师

对lstm长短时记忆神经网络的简单介绍，包括循环神经网络的基础知识，lstm的简介和用lstm预测正弦图像的实验。

长短时记忆网络(Long Short Term Memory Network, LSTM)，它有效地解决了原始循环神经网络(RNN)的缺陷，在语音识别、图片描述、自然语言处理等许多领域中成功应用。本文讲解由三个Gate（input、forget、output）和一个cell 单元组成的基础LSTM 网络。