攀西某低品位钒钛磁铁矿选铁试验研究

针对攀西某含TFe24.44%、TiO26.76%的低品位矿石开展了多种选铁工艺流程的比较试验研究,结果表明:若不考虑钛铁矿的回收利用,同时考虑生产过程易行,采用3~0mm的粗粒抛尾工艺是选铁的最佳工艺流程;若要综合利用钛铁矿,则以原矿一段球磨磨至-200目含量为65%左右的两段球磨磁选选铁工艺为最佳选铁工艺流程。     

西藏某铜矿选矿试验研究

对西藏某铜矿进行了浮选-浸出试验研究,采用先浮选硫化铜矿、后浮选氧化铜矿并在氧化铜矿浮选中添加少量辅助捕收剂YQC-64的工艺流程,可取得硫化铜精矿品位33.83%、氧化铜精矿品位16.84%、总精矿铜品位28.17%、总回收率87.06%的浮选指标。浮选尾矿用硫酸浸出,浸渣品位可降至0.11%。试验结果表明,该工艺较充分有效地回收了铜资源。     

机群代理的单一缓存映像技术

为了在Web机群代理中有效定位缓存对象在节点机中的位置，必须实现单一缓存映像，以隐藏机群的分布和异构特性，为客户提供一致的缓存资源。为解决该问题，文中首先提出一个缓存摘要管理器体系结构，该结构基于各个缓存节点机的摘要、结合负载平衡信息，可有效定位缓存节点机，然后给出了机群代理中缓存节点机与缓存摘要管理器的实现方法。     

基于主题模型的主观性句子识别

主观性句子识别旨在发现文本集合中具有观点的句子。本文基于概率主题模型,提出融合主题的主观性句子识别模型。该模型通过考虑主题因素识别句子主观性,同时挖掘文本集合中的潜在主观性主题。提出的模型是一个弱监督生成模型,不需要大量的标记语料进行训练,仅需要一小部分领域独立的主观性词典修改模型的先验。实验证明,提出的模型能有效地提高句子识别召回率和F值,同时抽取的主观性主题具有较强的语义信息。     

基于多层关系图模型的中文评价对象与评价词抽取方法

中文评价对象与评价词抽取是文本倾向性分析的重要问题.如何利用评价对象与评价词之间的语法、共现等关系设计模型是提高抽取精度的关键.本文提出了一种基于多层关系图模型的中文评价对象与评价词抽取方法.该方法首先利用词对齐模型抽取评价对象与评价词搭配;然后,考虑评价对象与评价词的依存句法关系、评价对象内部的共现关系和评价词内部的共现关系,建立多层情感关系图,接着利用随机游走方法计算候选评价对象与评价词的置信度;最后,选取置信度高的候选评价对象与评价词作为输出.实验结果表明,与现有的方法相比,本文所提出的方法不仅对评价对象和评价词的抽取精度均有显著提升,而且具有良好的鲁棒性.     

基于多任务联合学习的论辩挖掘

现有的论辩挖掘工作大多针对单个数据集建模,忽视数据集不同时可能存在的特征变化情况,导致模型的泛化性能较差.因此,文中提出基于多任务学习的论辩挖掘方法,将多个数据集的论辩挖掘任务进行联合学习.首先融合多个任务的输入层表示,通过卷积神经网络和高速神经网络获取词级别和字符级共享参数,联合任务相关特征输入栈式双向长短记忆网络,利用多个论辩挖掘任务之间的关联信息并行训练,最终由条件随机场得到序列标注结果.在6个不同领域的数据集上的实验表明,文中方法在Macro-F1值上有所提升,由此验证方法的有效性.     

基于博主背景的博客倾向性检索归一化策略

博客倾向性检索的目标是检索出不仅与特定查询主题相关而且包含针对该主题的评论的博文单元,并依据倾向性强度进行排序。目前大多数研究工作仅仅通过单个博文单元包含的主题倾向性强弱对博文进行排序。然而,博客是博主表达自己观点情感的媒介,博主的个性风格很大程度上影响着倾向性强度,忽略博主因素仅仅使用单个博文单元获取倾向性评分,会给倾向性评分带来偏差。针对这个问题,该文首先分析博主背景因素对倾向性评分的影响并建立博主背景模型,然后提出基于博主背景的博客倾向性检索归一化策略,最后使用该策略对基于概率推理模型的博客倾向性检索算法进行归一化。实验结果表明,基于博主背景的倾向性检索归一化策略能够更加合理地对博主单元进行排序。     

基于分布式请求处理的Web虚拟服务器

设计和实现了一种分布式高性能的、基于内容负载分配的Web虚拟服务器。其特点有：前端只负责与客户进行TCP握手，后端处理后续报文并直接选路应答客户；确定一个新的传输过程的方法是由前端在请求的第一个TCP报文中加入MSS选项，很好地支持了持久连接；独立于操作系统的TCP实现。实验表明，该系统具有很高的吞吐量和很好的可扩展性。     

基于深度学习的情感对话响应综述

人机对话作为人工智能的重要领域,以其方便快捷的交互特点广泛应用于任务型和闲聊型机器人等诸多商业场景,并被视为新一代人机交互的主要形式.但情绪感知与表达能力的缺乏致使人机对话技术在复杂交互场景中难以满足人们对情感交流的强烈需求.为弥补人机对话技术中情感智能的缺失,基于深度学习的情感对话响应任务被提出且已发展为对话领域中一个重要的研究方向.本文首先回顾了基于深度学习的情感对话响应任务的发展历程,其次按照任务将情感对话响应分为可控情感对话生成、共情对话响应、情绪支持、多模态情感对话生成、新任务五类.随后本文也按照常用的结构将模型进行了归类与分析,以求更细致地阐述各种结构在情感对话响应任务中的具体用法,之后介绍了常用数据与评测指标.最后本文也对模型进行了总结,并在此基础上进一步展望了该任务未来的发展方向.