VIPU系统中信息评价器的研究

在ＶＩＰＵ系统中,需要对信息的价值进行用户评估。文中设计了一个在线信息评价器,通过对用户评价的实时监控,不断调整评价器的参数,实现对信息价值的最优评价。当评价器受到较大干扰时,专家模块介入评价过程,以保持系统的稳定,仿真实验表明信息评价器有效地实现了信息评价功能。     

基于改进k近邻的直推式支持向量机学习算法

针对直推式支持向量机(TSVM)需要遍历所有无标签样本花费时间长的缺点,提出一种基于改进k近邻法的直推式支持向量机学习算法--k2TSVM。该算法首先使用k均值聚类将无标签样本分成若干簇,然后求出每簇中心点的k近邻并根据其中正负样本个数对无标签样本进行删减,将删减后的数据集输入直推式支持向量机进行训练。k2TSVM改善传统TSVM需要遍历所有无标签数据的缺点,有效减少训练样本规模,能够提高运行速度。实验结果表明,k2TSVM在降低运行时间的同时,能够取得比类似TSVM改进算法更好的分类结果。      

面向家庭的现代远程教育系统

本文简要回顾了远程教育的发展历程,介绍了面向家庭的现代远程教学系统MDES。系统综合运用卫星网、有线电视网和因特网作为传输平台,学校的网络信息中心通过卫星将课件传输到分布全国各地的有线电视台,有线电视台利用当地的CATV网络将多媒体年广播到学员家中的计算机上。网络信息中心以网站的形式向学员提供各种教学服务。课件制作系统使用可扩展标记语言XML对多媒体对象进行描述,以HTML＋同步控制的形式发布同步多媒体课件。该系统适合于终身学习,具有广阔的应用前景。     

使用Hadoop实现应用商店中的相关推荐模型

在应用下栽网站上,当用户浏览或下载某应用时,说明他对这个应用产生一定兴趣,如果网站显示和当前应用类似的其他应用,那么可以增加用户继续下栽应用的概率。将基于行为推荐和基于内容推荐结合成推荐模型,并基于Hadoop进行实现。可以处理较大量的数据并得到较优的推荐结果。     

基于一维卷积混合神经网络的文本情感分类

针对情感分类中传统二维卷积模型对特征语义信息的损耗以及时序特征表达能力匮乏的问题，提出了一种基于一维卷积神经网络（CNN）和循环神经网络（RNN）的混合模型。首先，使用一维卷积替换二维卷积以保留更丰富的局部语义特征；再由池化层降维后进入循环神经网络层，整合特征之间的时序关系；最后，经过softmax层实现情感分类。在多个标准英文数据集上的实验结果表明，所提模型在SST和MR数据集上的分类准确率与传统统计方法和端到端深度学习方法相比有1至3个百分点的提升，而对网络各组成部分的分析验证了一维卷积和循环神经网络的引入有助于提升分类准确率。     

CATV网多媒体数据广播系统中控制策略的研究

为了充分利用现有的ＣＡＴＶ网络资源，更好地向用户提供信息服务，开发了基于ＣＡＴＶ网的多媒体数据广播系统，它能够提供多种信息服务。当多个用户同时请求服务时，可能会出现数据广播通道的拥塞，因此需要对系统进行流量控制和拥塞控制，提出了数据广播系统中突发业务的自学习控制模型，在此基础上，控制器针对不同网络传输状态采取不同的控制策略。     

一种基于图卷积神经网络和依存分析的财经新闻情感分析方法

财经新闻的情感分析有助于企业和投资者确定投资风险和提高经济效益,具有较高的应用价值。针对财经新闻文本,提出一种在图卷积神经网络中使用依存句法分析（Dependency Analysis-based Graph Convolutional Network, DA-GCN）的情感分析方法。该方法通过分析文档中词语的依存关系,获取句子的语序信息和文档中重要的句子成分,再通过词语在文档中的共现信息实现信息传递和对图的参数更新。在财经新闻数据集上进行的实验表明,本文提出的方法与传统深度学习方法相比,在各项评价指标上都取得显著提升。     

基于XML的同步多媒体课件制作系统

基于 Internet的远程教育是当前 Internet应用的热点 ,教学资源的组织和发布是其中的一项关键技术 .本文在简要分析可扩展标记语言 XML 的基础上 ,介绍了清华大学远程教学系统中基于 XML 的同步多媒体课件制作子系统 .该子系统采用基于 XML 的同步多媒体集成语言 SMIL 进行资源组织 ,以 HTML 同步控制模块的形式进行资源发布 ,使得课件的制作符合国际标准 ,并且与当前流行的 HTML紧密结合     

多指标系统分析及应用

为了得到多指标系统合理的指标权值,本文建立了一个组合赋权模型,该模型综合主观赋权法和客观赋权法的优点,计算出系统的指标权值,此权值优于单纯用一类方法得到的结果,本文综合运用组合赋权模型和ＩＳＭ法对系统进行结构分析,准确而直观地反映了系统的内部结构。