基于注意力机制特征融合的中文命名实体识别

命名实体识别是自然语言处理领域中信息抽取、信息检索、知识图谱等任务的基础。在命名实体识别任务中,Transformer编码器更加关注全局语义,对位置和方向信息不敏感,而双向长短期记忆（BiLSTM）网络可以提取文本中的方向信息,但缺少全局语义信息。为同时获得全局语义信息和方向信息,提出使用注意力机制动态融合Transformer编码器和BiLSTM的模型。使用相对位置编码和修改注意力计算公式对Transformer编码器进行改进,利用改进的Transformer编码器提取全局语义信息,并采用BiLSTM捕获方向信息。结合注意力机制动态调整权重,深度融合全局语义信息和方向信息以获得更丰富的上下文特征。使用条件随机场进行解码,实现实体标注序列预测。此外,针对Word2Vec等传统词向量方法无法表示词的多义性问题,使用RoBERTa-wwm预训练模型作为模型的嵌入层提供字符级嵌入,获得更多的上下文语义信息和词汇信息,增强实体识别效果。实验结果表明,该方法在中文命名实体识别数据集Resume和Weibo上F1值分别达到96.68%和71.29%,相比ID-CNN、BiLSTM、CAN-NER等...     

一种改进的winner-take-all模型及在图像中的应用

作为一种广泛存在于各个领域的竞争现象,关于赢者通吃(winner-take-all)的大部分研究太复杂以至于难以很好地理解该现象。为了用简单的方式解释winner-take-all现象,提出了一个改进的winner-take-all模型,由离散时间差分方程表示,该模型的状态空间是一个矩阵并且模型具有多范数可选性,对应的初始输入矩阵中具有最大输入值的元素最终获胜。对提出模型的收敛性和稳定性进行了严格的理论分析,并将该赢者通吃模型应用于图像处理的实验中,分别比较了单层和多层赢家通吃模型的效率。实验正确地生成了winner-take-all现象,表现了多层winner-take-all图像处理的高性能,理论和实验都验证了所提出模型的正确性和有效性。     

机械臂的自适应径向基函数神经网络双二次泛函最优控制

针对非线性机械臂系统中难以权衡控制能量与控制误差比重的最优控制问题,本文提出一种基于自适应径向基函数(RBF)神经网络二阶段叠加优化的双二次泛函最优求解模型,实现在非线性机械臂控制系统中用不大的控制能量来保持较小的控制误差的综合最优控制.在本文所提模型中,首先设计一种线性误差函数,作用于非线性控制方程,并采用自适应RBF网络逼近非线性控制方程中存在的不确定项,构成闭环反馈系统,实现对非线性系统的最优控制;其次,将待求参数复合成双二次泛函的解域,并设计一种新型的类递归神经网络求解该带约束条件的双二次型模型,实现模型求解的快速收敛并得其解.通过理论分析及数值仿真实例验证了所提模型能有效提高非线性系统的控制精度、稳定性、鲁棒性及自适应性,从而实现非线性系统的综合最优控制.     

基于欧氏空间相似度的云模型协同过滤算法

传统的基于余弦相似度度量的云模型协同过滤推荐算法未考虑特征向量的长度和维度,忽略了三个重要数字特征云期望、熵和超熵的关系,如各数字特征具有不同的性质和权重,导致特征丢失、区分度过小的问题。针对这些问题,提出了一种采用标准化的多维欧几里德相似度计算方法,通过将三个数字特征映射为三维空间的点,计算经指数函数标准化的欧几里德相似度,生成更合理的用户k近邻集,最终产生推荐。实验结果表明,该相似度计算方法能够为云特征向量提供更显著的区分度,并在一定程度上提高了推荐质量。     

隐式反馈场景中结合信任与相似度的排序推荐*

推荐系统作为解决信息过载问题的有效工具,能通过海量历史行为数据挖掘用户偏好,为其提供个性化推荐服务。针对如何利用隐式反馈数据实现个性化推荐进行研究,提出了一种结合信任与相似度的排序模型TSBPR。首先计算受信度与相似度的混合权重取代二值信任关系,初始化新用户信任列表实现将新用户连接进信任网络,其次利用邻居的特征及信任矩阵修正目标用户的特征矩阵解决信任传递问题,最后通过在贝叶斯排序模型(Bayesian Personalized Ranking,BPR)中引入重新构建的信任模型及用户特征得到优化的模型参数并生成最终的项目排序列表。通过实验仿真,证明了TSBPR模型可以提高推荐性能和有效解决冷启动问题。     

基于Spark框架和ASPSO的并行划分聚类算法

针对划分聚类算法处理海量的数据存在的数据离散系数较大与抗干扰性差、局部簇簇数难以确定、局部簇质心随机性及局部簇并行化合并效率低等问题,提出了一种基于Spark框架和粒子群优化自适应策略(ASPSO)的并行划分聚类(PDC-SFASPSO)算法.首先,提出了基于皮尔逊相关系数和方差的网格划分策略获取数据离散系数较小的网格...     

基于方面-词性感知的方面级情感分析

方面级情感分析是自然语言处理的研究热点之一,其任务目的是预测句子中给定方面的情感极性。目前已有研究大多忽略了方面词和特定词性单词在过滤情感极性相关上下文语义信息和理解上下文语法信息中的作用。为此,提出一种基于方面-词性感知的图卷积网络ASP＿POSGCN。采用双向长短期记忆网络建模上下文和词性信息,经由门控机制筛选方面词相关上下文语义信息,再使用词性信息隐藏层状态进一步过滤;同时设计方面-词性感知矩阵算法,根据不同词性单词对方面词情感极性的贡献重构句子原始依存关系以获取重构依存句法图,将原始依存句法图和重构依存句法图应用于双通道图卷积网络和多图感知机制;最后,使用过滤后的上下文语义信息与双通道图卷积网络的输出计算注意力得到最终分类表示。实验结果表明,该模型在Twitter、Laptop14、Restaurant14和Restaurant164个公开数据集上的准确率分别为74.57%、79.15%、83.84%、91.23%,F1值分别为72.59%、75.76%、77.00%、77.11%,与传统方面级情感分析基准模型相比均有提升,有助于方面级的情感极性分类。     

我国稀土产业环境监管策略研究:国外环境监管政策的启示

治理稀土产业对环境所造成的破坏是当前我国面临的重要现实问题,环境监管政策的制定和实施是治理稀土环境污染和破坏的重要途径.文中首先简要概述了稀土产业对环境造成的污染情况,从市场和政府失灵以及外部性理论和运用市场机制理论两个视角回顾和分析国外环境监管的理论基础,在此基础上从直接监管、激励机制和自愿性环境管理3个方面简要回顾了环境监管政策的发展历史,并分析了我国目前的环境保护政策内容,在此基础上,最后从稀土环境监管体制、监管体系、监测系统、投融资机制和生态补偿政策试点等5个方面提出我国稀土产业环境监管策略.     

天牛须搜索算法研究综述

天牛须搜索算法（Beetle Antennae Search,BAS）是一种新型的智能优化算法,它是由天牛觅食所启发。自2017年提出以来,随着学者们对算法的研究不断深入,他们从多个方面对算法进行了改进,提出许多BAS的变体算法并将其广泛应用于各个领域。介绍BAS算法的搜索机制与寻优步骤,结合国内外文献对该算法的改进研究做出分析,从搜索步长、混沌概念、混合算法及其他改进策略等方面对改进算法进行分类阐述,同时,对算法在PID控制、电力调度、图像处理、神经网络、路径规划等领域进行了概述总结。结合算法存在的不足和挑战,从BAS算法的理论研究、改进研究和应用研究三方面对算法的未来研究内容与热点做出展望。     

无线Java编程探索

本文比较了Java手机编程与J2SE编程的不同,针对Java手机编程中的一些问题提出了相应的解决方法。