异构数据统一检索技术研究与系统实现

Web是今天的标准应用平台,该平台上信息的种类,挂接的应用非常丰富,文章提出将集成深化到应用集成层次,针对Web上异构信息的检索问题,提出统一检索的概念,并介绍了采用Meta演算,文本IR,信息抽取等技术实现统一检索系统。     

基于卷积神经网络的中文微博观点分类*

针对现有中文微博观点分类方法对上下文利用不足、数据表示稀疏和特征依赖于人工设计等问题,提出基于卷积神经网络的中文微博观点分类方法.首先利用交互上下文扩充不同主题下的微博内容,使用低维密集向量初始化微博文本.然后构造卷积神经网络模型,实现特征抽取和组合.最后基于softmax分类函数估计中文微博观点类别.实验表明,相比基准方法,文中方法在精确度和F1值上的效果更好.     

Bi-Attention:面向终端的细粒度识别网络加速方法

细粒度识别是针对具有微小差异的对象进行分类的图像识别任务,深度学习模型在细粒度识别任务上取得了较大的进步。然而现有的细粒度识别深度神经网络模型采用多个模型结构叠加,无法在手机、无人机等资源受限终端设备上部署。本文提出Bi-Attention细粒度识别模型加速方法,使用高效的TensorSketch运算以及权重共享机制,在Stanford Cars数据集上的准确率为91.6%,且比现有最先进的模型提高1.2%。本文提出一种结构化剪枝训练方法,通过LASSO正则化算法,在模型训练过程删除批归一化(BN)操作中不重要的扩展因子。实验结果表明,该剪枝方法可以降低Bi-Attention模型大小为原来的1/4。     

图对比学习综述

对比学习作为一种自监督式的深度学习范式，在计算机视觉、自然语言处理等领域取得了瞩目的成绩。受这些成功的对比学习模型的启发，近年来大量研究者尝试将其拓展到图数据上，这为推动图对比学习的发展提供了坚实的基础。该领域现有的综述主要关注于传统的图自监督学习任务，而缺少对图对比学习方法的梳理和归纳。为了更好地帮助相关领域的研究者，该文梳理了近些年来的图对比学习模型，通过将现有工作归纳到一个统一的框架下，突出其发展脉络。最后该文总结了图对比学习常用的数据集和评价指标，并展望了该领域未来的发展方向。