部首感知的中文医疗命名实体识别

人工智能技术的发展推动了医疗领域的智能化,为提升医疗效率、改善医疗水平提供了新的助力。同时,这一新的趋势也催生了海量的电子病历文本,其所蕴含的丰富信息具有巨大的潜在挖掘与应用价值。然而,当前中文电子病历的命名实体识别研究工作并没有全面考虑中文及中文医疗领域的特殊性,而是将面向通用数据集的模型迁移到医疗领域的实体类型中,分析效果较为有限。针对这一问题,该文设计了长短期记忆网络与条件随机场的联合模型并引入BERT模型;在此基础之上,考虑到医疗领域命名实体鲜明的部首特征,通过将部首信息编码到字向量中,并且结合部首信息修改条件随机场层得分函数的计算方式,有效地提升了医疗领域命名实体的抽取能力。通过两项电子病历数据集的实验结果表明,该文提出的模型整体效果略高于通用的实体识别模型,并对疾病诊断等特定类型的实体词的识别效果具有较为明显的提升。     

基于内容的交互式感性图象检索

随着信息化社会的到来及信息高速公路计划的实施,人们越来越多地接触到大量的图象信息,因此基于内容的图象检索已经成为当前的一个热门研究课题,并在多媒体数据库、电子图书馆、商标管理、医疗图象管理、公安系统、卫星图象管理等方面得到广泛应用。然而,大多数基于内容的图象检索系统主要是通过图象多维物理特征的相似性匹配来进行查询,而对于用户的爱好、情感等主观或感性化的因素则考虑较少。为了弥补这方面的不足,提出了一种基于内容的交互式感性图象检索方法。该方法采用交互式进化算法,并通过人机交互的方式,来将用户的直觉、情感等感性化的因素融入到进化过程,以便进行图象的交互式在线检索;针对在检索过程中,因进化的时间可能较长和因需要用户确定的适应度值较多而产生的用户疲劳问题,采用神经网络离线学习的方法来减轻用户疲劳,从而实现了根据用户的情感和基于图象内容的图象检索,并取得了较好的实验结果。     

基于神经网络的Web用户行为聚类分析

本文提出了一种用神经网络对Web用户的行为进行分析的方法,首先对WWW服务器的日志文件进行分析,再进行会话划分,并从会话向量中找出频繁数据集,以便选取合适的会话向量。进行规一化处理后生成模式向量,并采用Kohonen的SOFM模型进行聚类,最后生成用户聚类。实验结果及对比分析表明用神经网络方法能有效地对用户行为进行聚类分析。     

一种基于语义相似度的信息检索方法

随着网络信息的日益丰富以及语义网络的出现,语义信息检索技术成为当前的热点.本文研究一种基于语义相似度的信息检索方法.利用本体在语义刻画上的优势,以概念相似度和属性相似度作为语义检索的衡量依据.对语义检索过程的分析和结果的统计表明,文档语义特征向量的概念及属性数的增加有利用改善检索效果.     

基于椭圆曲线的结构化多重数字签名方案

基于椭圆曲线数字签名函数,提出了一种广播和有序相结合的结构化多重数字签名方案,并对算法进行安全性分析.该方案结构灵活,适合于各种复杂多重数字签名且能满足数字签名所要求的不可伪造性、不可抵赖性、抗合谋攻击、防止重发攻击、前向安全性等安全特性.     

大数据分析专刊前言

自2008年《Nature》杂志发表大数据专辑以来,大数据得到越来越多的关注.2012年,美国和中国分别将大数据提升到国家战略高度.大数据技术是一个典型的跨领域研究方向,在数据的采集、存储、传输、管理、安全和分析等诸多方面均面临着挑战.在大数据分析方面,我国已经有国家自然科学基金重点项目、国家重点基础研究发展计划(973)在内的多个立项支持,并在学术界和工业界取得了一些有影响的研究与应用成果.然而,作为一个新兴的研究方向,大数据分析依然面临诸多挑战.本专刊收录的21篇论文反映了我国学者在大数据分析领域的部分近期研究成果.     

面向个性化服务的用户兴趣偏移检测及处理方法

个性化服务系统的目标是根据不同用户的兴趣喜好为不同用户提供针对性服务,其核心是建立关于用户兴趣的描述,即用户兴趣建模。然而,现实生活中用户兴趣常常发生不可预测的变化,兴趣偏移问题一直困扰着建模技术,阻碍个性化服务系统性能的进一步提高。为了寻找切实可行的方法解决兴趣偏移问题,本文针对用户兴趣建模的兴趣偏移问题进行系统的研究,着重分析了兴趣偏移的检测方法和处理机制,对时间窗口、遗忘模型、长短期模型等隐式调整方法以及主要显式检测方法和技术进行了系统评述,并在此基础上提出了针对兴趣偏移问题的进一步研究方向。     

面向序列诊断的强化计算机自适应测验方法

计算机自适应测验旨在根据学生历史表现为学生选择合适的题目,快速有效地测量学生的真实能力.然而在智能教育场景下,现有自适应测验策略仍存在目标复杂和知识稀疏等问题.为此,文中构建用于智能场景的可精准测评学生知识能力的面向序列诊断的强化计算机自适应测验方法,包括基于序列诊断的学生模拟器和学生画像模型,并针对真实场景中自适应测验的目标复杂性,设计薄弱点准确率、预测表现耦合、自适应测验时长、测验异常率和测验的难度结构这5个评价指标.进一步地,提出基于强化学习的计算机自适应测验选题策略,利用双通道自注意力学习及矛盾学习模块缓解知识稀疏的问题.真实数据上的实验表明,文中选题策略不仅可高效测量学生真实能力,还可优化学生的作答体验,同时选择的题目也具有一定的可解释性,从而为智能教育场景下的计算机自适应测验提供一个可行方案.     

KENN: 线性结构熵的图核神经网络

图神经网络(graph neural network, GNN)是一种利用深度学习直接对图结构数据进行表征的框架, 近年来受到人们越来越多的关注. 然而传统的基于消息传递聚合的图神经网络(messaging passing GNN, MP-GNN)忽略了不同节点的平滑速度, 无差别地聚合了邻居信息, 易造成过平滑现象. 为此, 研究并提出一种线性结构熵的图核神经网络分类方法, 即KENN. 它首先利用图核方法对节点子图进行结构编码, 判断子图之间的同构性, 进而利用同构系数来定义不同邻居间的平滑系数. 其次基于低复杂度的线性结构熵提取图的结构信息, 加深和丰富图数据的结构表达能力. 通过将线性结构熵、图核和图神经网络三者进行深度融合提出了图核神经网络分类方法. 它不仅可以解决生物分子数据节点特征的稀疏问题, 也可以解决社交网络数据以节点度作为特征所产生的信息冗余问题, 同时还使得图神经网络能够自适应调整对图结构特征的表征能力, 使其超越MP-GNN的上界(WL测试). 最后, 在7个公开的图分类数据集上实验验证了所提出模型的性能优于其他的基准模型.     

用TCP/IP通信的射频一卡通系统设计

一种用TCP/IP通信的射频一卡通系统,重点阐述了嵌入式TCP/IP简化协议栈的设计和MF1卡的软件设计。