Geeking：基于胜者表的体育新闻搜索引擎系统

文章介绍了体育新闻搜索引擎系统 Geeking 的框架结构和各项功能,其结构分为网页爬取、胜者表构建、检索处理、用户界面 4 个部分,其主要功能包含查询词校正、自动补全、检索结果排序、相似新闻聚类以及显示页面中关键词高亮并提供网页快照。输入查询请求时,系统根据搜索日志和新闻热词自动补全查询词,搜索不到相关结果时校正查询,给出推荐的查询词。检索新闻文档时,使用胜者表快速查找查询词项的相关文档,综合 tf-idf 权重和新闻标题、发布时间等因素计算文档的相关性并按得分排序。在相似新闻聚类中,结合最长公共子序列和编辑距离衡量新闻标题之间的相似度,以新闻标题相似度代表新闻文档的相似度。测试结果表明,基于胜者表的 Geeking 搜索引擎系统各项功能协调效果好,检索响应速度快。     

动态调整语义的词性加权多模态情感分析模型

为更好地利用单词词性包含的语义信息和伴随单词出现时的非自然语言上下文信息,提出动态调整语义的词性加权多模态情感分析（part of speech weighted multi-modal sentiment analysis model with dynamic semantics adjustment, PW-DS）模型．该模型以自然语言为主体,分别使用基于Transformer的双向编码器表示（bidirectional encoder representation from Transformers, BERT）模型、广义自回归预训练（generalized autoregressive pretraining for language understanding, XLNet）模型和一种鲁棒优化的BERT预训练（robustly optimized BERT pretraining approach, RoBERTa）模型为文本模态做词嵌入编码;创建动态调整语义模块将自然语言和非自然语言信息有效结合;设计词性加权模块,提取单词词性并赋权以优化情感判别．与张量融合网络和低秩多模态...     

基于深度情感唤醒网络的多模态情感分析与情绪识别

随着网络平台上各类图像、视频数据的快速增长,多模态情感分析与情绪识别已成为一个日益热门的研究领域.相比于单模态情感分析,多模态情感分析中的模态融合是一个亟待解决的关键问题.受到认知科学中情感唤起模型的启发,提出一种能够模拟人类处理多通道输入信息机制的深度情感唤醒网络(DEAN),该网络可实现多模态信息的有机融合,既能处理情绪的连贯性,又能避免融合机制的选择不当而带来的问题.DEAN网络主要由以下3部分组成:跨模态Transformer模块,用以模拟人类知觉分析系统的功能;多模态BiLSTM系统,用以模拟认知比较器;多模态门控模块,用以模拟情感唤起模型中的激活结构.在多模态情感分析与情绪识别的3个经典数据集上进行的比较实验结果表明,DEAN模型在各数据集上的性能均超越了目前最先进的情感分析模型.     

基于随机森林的哈希检索算法

从海量数据中进行近似数据的检索是数据挖掘领域许多应用的关键。尤其近年来,数据的规模出现爆炸式增长,数据检索需面对海量数据和"维度灾难"的叠加考验,这使得传统最近邻算法效率降低,而近似最近邻算法发挥了越来越重要的作用。其中哈希算法以其在存储空间和计算时间上的优势受到了广泛关注。提出了一种基于随机森林的哈希算法。该算法通过构建随机森林,将原始空间的样本映射为海明空间的二进制哈希码,并在哈希空间上定义了顺序敏感的海明距离,以最大程度保持数据在原空间的近邻关系不变。由于随机森林中不同决策树所使用的特征空间和学习过程是独立的,可以以增量的方式灵活地确定哈希码的长度。此外基于随机森林的哈希编码算法天然适合并行部署,从而可以大大提高算法速度。最后,在MNIST和CIFAR-10数据集对所提算法进行了实验验证,结果表明了算法的有效性和出色性能。     

氧化葡萄糖酸杆菌GDHK的葡萄糖培养基优化及其催化2,3-丁二醇生成乙偶姻的性能研究

在前期的工作中对氧化葡萄糖酸杆菌的膜结合葡萄糖脱氢酶基因(gdh)进行了敲除,已得到一株工程菌株GDHK[1],去除了由于该酶的存在而导致葡萄糖培养基容易酸化的途径,从而促进细胞在葡萄糖上的生长.为了更有效地利用葡萄糖这一相对廉价的碳源、降低氧化葡萄糖酸杆菌的生物催化成本,首先用正交实验方法对GDHK的葡萄糖培养基优化,优化结果显示最优的葡萄糖培养基配方为:葡萄糖40 g·L-1,酵母粉20 g·L-1,硫酸铵0.5g·L-1,磷酸二氢钾4g·L-1,七水硫酸镁0.5g·L-1.用优化好的培养基配方测定GDHK的生长,最终菌浓从0.6g·L-1提高到0.75 g·L-1,提高了25％.其次,实验还探讨了原始菌621H和敲除菌GDHK分别在葡萄糖、山梨醇、甘露醇和甘油这4种碳源培养基上培养所得的静息细胞催化2,3-丁二醇生成乙偶姻的影响.实验表明,在葡萄糖培养基上生长的GDHK得到的静息细胞催化效果最好,反应进行到12h,乙偶姻的转化效率已达到80.00％,浓度为3130 g·L.,是同样在葡萄糖上生长的原始菌细胞催化能力的13倍,同时也是其他培养基的1.2～1.5倍,而葡萄糖的用量也只有传统的其他碳源用量的一半,这些都说明用葡萄糖代替其他多元醇,作为工业上培养氧化葡萄糖酸杆菌催化乙偶姻生产的碳源,降低生产成本的策略具有较好的应用前景.     

基于模糊熵的BP算法改进

由于BP网络简单的拓扑结构和优秀的逼近能力,它已经被广泛地应用于预测和非线性系统的建模中。但是由于算法自身的不足,在实际应用中会产生很多问题。因此,BP网络的优化已经成为了一个重要的课题。为了提高BP网络的泛化能力,将模糊熵加入到BP网络的性能函数中,提出了基于模糊熵的BP算法。在实验中,将两种算法进行了对比,结果表明改进算法可以有效地提高测试精度,避免了过度拟合。     

Locally linear discriminant embedding with nonparametric method

局部线性判别嵌入（locally linear discriminant embedding,LLDE）将局部线性嵌入（locally linear embedding,LLE）和最大间隔（maximum margin criterion,MMC）进行融合,有效地提高了LLE算法的识别力。但其保留的是数据的全局判别信息,且依赖数据的分布。针对LLDE的不足,本研究将LLE和加权非参数最大间隔（weighted non-parametric maximum margin criterion,WNMMC）进行融合,提出了一种新的有监督的降维方法——非参数判别性局部线性嵌入（nonparametric locally linear discriminant embedding,NLLDE）。NLLDE保留了数据更为有效的局部判别信息,因此更具判别力。NLLDE采用了非参数数据表示,使得模型及求解不依赖于数据的分布,克服了LLDE针对高斯分布数据有效的局限,其应用范围更为广泛。Yale和PIE人脸数据库上的实验结果证实了NLLDE的高效性。     

微生物细胞脂肪酸的组成分析

应用气相色谱—质谱联用技术(GC-MS)对微生物细胞脂肪酸的组成进行了分析.结果表明,菌体的代谢状态分为两个时期:菌体生长期和油脂积累期;菌体细胞主要积累油酸(C18:1)、软脂酸(C16:0)和棕桐油酸(C16:1);通过发酵,最终得到的微生物油脂脂肪酸组成为:油酸(C18:1)64.80％、软脂酸(C16:0)19...     

神经网络建模方法在维生素C发酵过程中的应用

传统的标准“黑箱”型人工神经网络已较为广泛地应用于生化过程中的状态预估等多个方面,然而结合过程先验知识或部分机理模型的混合神经网络建模方法能给出更令人满意的结果.本文将其应用于2-酮基-l-古龙酸（2-KLG）发酵过程的状态估计,并将其结果与传统神经网络模型进行了比较,混合模型明显优于单一神经网络方法.     

神经网络建模方法在维生素C发酵过程中的应用

传统的标准“黑箱”型人工神经网络已较为广泛地应用于生化过程中的状态预估等多个方面，然而结合过程先验知识或部分机理模型的混合神经网络建模方法能给出更令人满意的结果.本文将其应用于2-酮基-l-古龙酸（2-KLG）发酵过程的状态估计，并将其结果与传统神经网络模型进行了比较，混合模型明显优于单一神经网络方法.