随着YouTube频道的增长，每个视频都可以收集从观众提供直接反馈的巨大评论。这些评论是了解观众期望和改善渠道参与的主要手段。但是，评论仅代表了关于频道和内容的用户意见的一般集合。许多评论构造不当，微不足道，拼写不当和语法错误。因此，确定最有利息的评论是一个繁琐的工作。在本文中，我们根据情绪和句子类型提取并将原始评论分类为不同类别，这将帮助您能够帮助您查找相关评论以越来越多的信息。现有的研究在文本语料库上的相同句子类型（例如，问题类型）中的情感分析（正面和负数）或分类的分类集中在一起。这些对非传统文本语料库有限，如Youtube评论。我们使用众所周知的统计测量和机器学习模型来解决YouTube评论的文本提取和分类的这一挑战。我们使用交叉验证和$ F_1 $分数评估统计测量和机器学习模型的每个组合。结果表明，我们在分类任务中融入了传统方法的方法，验证其在辅助内容创作者中的潜力会增加他们的渠道的观看者参与。
translated by 谷歌翻译
近年来，使用深度学习算法探讨了丢失或损坏段的数字音频信号重建。然而，具有线性插值，相位编码和音调插入技术的先前传统方法仍在时尚中。但是，我们发现没有关于使用抖动，隐写术和机器学习回归流器的融合的音频信号的重建研究工作。因此，本文提出了隐写术，半色调（抖动）和最先进的浅（RF-随机森林和SVR-支持向量回归）和深度学习（LSTM-长期记忆）方法的组合。结果（包括与西班牙和自回归方式的比较）进行了四种不同的指标评估。结果表明，该解决方案是有效的，可以增强由侧面信息（嘈杂 - 潜在表示）隐写的音频信号的重建。这项工作可能触发对优化这种方法的利息和/或将其转移到不同的域（即，图像重建）。
translated by 谷歌翻译