面向微博热点话题发现的多标签传播聚类方法研究

微博热点话题发现是目前的研究热点。针对传统热词抽取方法难以适用于微博数据的问题,提出一种基于老化理论的词生命值计算模型用于热词抽取,并基于热词间的相关性构建词共现网络;针对传统的词聚类算法不能较好地解决话题间存在重叠热词以及时间效率不佳的问题,引入多标签传播思想,设计一种接近线性时间复杂度的多标签传播聚类算法( TCMLPA)用于词共现网络的热词聚类,获得热点话题集。实验结果表明,词生命值计算模型能够有效过滤噪声并提取热词,TCMLPA算法则能够在保证聚类结果稳定性的情况下,有效提高热点话题发现的精度和效率。     

用AutoLISP二次开发AutoCAD

利用AutoLISP的二次开发功能，开发适合本专业的绘图工具，以提高绘图效率。     

液相色谱-串联质谱内标法同时测定调味品中11种工业染料

本研究成功建立了QuEChERS净化液相色谱-串联质谱内标法同时测定调味品中11种工业染料（碱性嫩黄O、碱性黄、碱性橙21、碱性橙22、碱性橙2、罗丹明B、罗丹明6G、苏丹红Ⅰ、苏丹红Ⅱ、苏丹红Ⅲ和苏丹红Ⅳ）的分析方法。样品经乙腈提取,采用C18和PSA吸附剂净化后进行液相色谱-串联质谱分析,多反应监测（MRM）模式检测,内标法定量。结果表明,在0.5~100 μg/L范围内,方法呈现良好的线性关系（r>0.9976）,检出限在0.01~0.4 μg/kg之间。当实际样品中添加水平为5~200 μg/kg时,方法平均回收率为70.7%~105.0%,相对标准偏差（RSD）为0.1%~9.3%。应用本方法对50个批次的调味品进行测定,发现其中4个批次样品检出不同浓度的罗丹明B。该方法操作简便,快速准确,可以用于调味品中11种非法添加工业染料残留的测定。     

基于图像分类的弱监督RGBD图像显著性检测方法

彩色深度(Red Green Blue Depth,RGBD)图像不仅包含红绿蓝三通道的颜色信息,还包含深度信息,因此能提供更全面的空间结构信息.近年来,随着RGBD图像的广泛应用,基于RGBD的图像显著性检测方法相继被提出.为了更好地解决弱监督图像显著性检测方法中的跨模态数据融合问题,本文提出一种基于图像分类的弱监督...     

一种用于方面级情感分析的关系注意力图卷积网络

方面级情感分析是情感分析的子任务，旨在判断评论目标的具体方面所对应的情感极性.近年来，深度神经网络模型在方面级情感分析问题上取得了较大进展.然而，现有的方面级情感分析模型仍存在方面信息丢失、没有充分利用句法依存关系等问题.本文提出了一种基于关系注意力机制的图卷积网络RAGCN(Relational Attention based Graph Convolutional Network).首先，RAGCN通过两个双向长短期记忆网络分别对句子和增强后的方面建模，以引导图卷积网络对向量表示进行更新.其次，为了区分上下文单词对给定方面情感的贡献，提出了一种关系注意力机制.该机制能充分利用评论节点间的边类型，结合双向长短期记忆网络的输出以捕获方面和上下文单词之间的关系.此外，为进一步提高模型的鲁棒性，RAGCN采用门控融合机制来过滤关系注意力层和图卷积网络层的输出，从而获取多更准确的句子表征向量.多个方面级情感分析数据集上的实验结果表明，RAGCN模型在准确度，Macro-F1方面均优于对比模型.     

QuEChERS结合GC-MS/MS法测定茶叶中毒虫畏和甲基毒虫畏残留量

[目的]建立茶叶中毒虫畏(E型和Z型)和甲基毒虫畏(E型和Z型)残留量的QuEChERS结合气相色谱-串联质谱(GC-MS/MS)检测方法。[方法]样品经乙腈提取，用N-丙基乙二胺(PSA)、十八烷基硅烷键合硅胶(C₁₈)、石墨化碳黑(GCB)等分散固相萃取净化，气相色谱-质谱联用仪分析，多反应监测(MRM)模式检测，基质匹配标准溶液外标法定量。[结果]毒虫畏(E)和(Z)型同分异构体、甲基毒虫畏(E)和(Z)型同分异构体的4个化合物均得到很好的分离；在2～100μg/L范围内线性关系良好，决定系数均大于0.999，在0.01、0.02、0.05、0.10 mg/kg 4个添加水平的回收率范围在80.6%～99.3%之间，相对标准偏差(RSDs)在0.6%～15.0%之间，定量限(LOQs)均为0.01 mg/kg。[结论]该方法前处理简单、高效，灵敏度、准确度和精密度高，能满足茶叶中毒虫畏和甲基毒虫畏残留量的定性定量分析要求。     

一种用于自然场景文本识别的多路并行位置关联网络

自然场景文本识别是计算机视觉领域的研究热点之一，在无人驾驶、图像检索、机器人导航等领域具有广泛的应用前景.由于自然场景中的文本图像存在背景复杂、透视失真、过度弯曲等现象，给文本识别带来了巨大的挑战.针对上述问题，本文提出了一种基于多路并行的位置关联网络(Multi-Path Parallel Location Association Network, MPLAN)的自然场景文本识别方法.首先，针对不规则文本图像，MPLAN使用文本矫正网络自适应学习图像变换，从而获得线性排列的文本图像.其次，为了捕获字符间的位置信息，MPLAN提出了位置关联模块，利用序列特征的有序性，通过捕获字符位置信息，以提高序列特征与目标字符的对齐准确度.此外，为了增强字符间的语义相关性，MPLAN提出了基于多路传输思想的并行注意力模块，获取全局语义信息，实现序列特征的上下文通信，从而锁定有效字符的位置.在包括规则文本、不规则文本在内的六个数据集上的实验结果表明，MPLAN能够有效利用位置信息与全局语义信息解码字符序列，特别是在识别不规则文本上取得了领先的性能.