采用自注意力机制和CNN融合的实体关系抽取

At present, the neural network model plays an important role in entity relationship extraction tasks. Features can be automatically extracted by a convolutional neural network, but it is limited because a fixed window size convolution kernel in a convolutional neural network is used to extract contextual semantic information of words in a sentence. Therefore, this paper proposes a new relational extraction method fusing self attention and convolutional neural network. The original word vector is calculated by the self attention mechanism to obtain the relationship between the words in the sequence. The input word vector expresses richer semantic information, which can make up for the deficiency of the automatic extraction features of the convolutional neural network. The experimental results on the SemEval 2010 Task 8 dataset show that, after adding the self attention mechanism, our model is beneficial to improve the entity relationship extraction effect.     

基于马尔科夫模型的用户兴趣转移建模

为解决在社交网络平台中的用户内容个性化推荐问题,提出一种微博用户兴趣转移模型。用户的不同兴趣在其生活以及社交网络平台中的内容所占比例趋于稳定,且在社交网络平台中用户下一时刻的内容受到用户当前内容的影响。提出基于LDA(潜在狄利克雷分布)主题模型推断用户主题分布、确定用户兴趣,在新浪微博系统上,基于马尔科夫模型的状态转移原理构造用户兴趣的转移模型,挖掘用户兴趣之间的转移概率,实现对用户微博内容进行预测。在真实数据集上验证了该模型的合理性和有效性,其推荐准确率达到78%。     

一种基于时间反转法的超宽带通信系统

提出将时间反转法用于UWB系统,在发送端进行预滤波,并推导出符号间干扰和多用户干扰的封闭表达式。通过间隔概率的合并而得到的用户复用码具有跳时序列族的特征。采用IEEE 802.15.3a标准信道模型,将推导出的系统性能与仿真的跳时超宽带（ultra wide-band,UWB）系统的性能进行了比较,其中的跳时码采用Reed-Solomon。比较结果证明,仿真与推导的误码性能极其接近。     

计算思维下的大学计算机基础教育改革

针对高校中非计算机专业学生是否有必要继续开设计算机基础课程的质疑,阐述计算思维对培养当今大学生自身素养、创新能力等方面的重要性,提出大学计算机基础教育应以培养学生的计算思维及计算能力为目标,采用"1+X"模式,对大学计算机基础课程的目标定位、教学内容、教学过程等教学环节做改革式探索,提高大学生计算思维能力。     

基于CNN和深层语义匹配的中文实体链接模型

实体链接是知识图谱领域的重要研究内容,现有的实体链接模型研究大多集中在对手工特征的选择上,不能很好地利用实体间的语义信息来实现更高效的实体链接效果。故提出一个基于深度语义匹配模型和卷积神经网络的实体链接模型,候选实体生成阶段采用构造同名字典,并基于上下文进行字典扩充,通过匹配来选择候选实体集。通过卷积神经网络来捕获深层语义信息,进行特征提取,并将其作为语义匹配模型的输入,通过模型训练学习选择出最佳参数,并输出语义相似度最高的候选实体作为实体链接的结果。在NLP & CC2014_ERL 数据集上较Ranking SVM模型准确率提升了3.9%,达到86.7%。实验结果表明了提出的新模型性能优于当前的主流模型。     

基于CNN-BiGRU模型的事件触发词抽取方法

传统事件触发词抽取方法在特征提取过程中对自然语言处理工具产生过度依赖的方法,耗费大量人力,容易出现错误传播和数据稀疏性等问题。为此,提出采用CNN-BiGRU模型进行事件触发词抽取的方法。将词向量和位置向量进行拼接作为输入,提取词级别特征和句子全局特征,提高触发词抽取效果,并通过CNN提取词汇级别特征,利用BiGRU获取文本上下文语义信息。在ACE2005英文语料库和中文突发事件语料库CEC上的实验结果表明,该模型事件触发词识别F1值分别达到74.9%和79.29%,有效提升事件触发词的抽取性能。     

ALC中的Tableau算法及其性质

描述逻辑是一族知识表示的形式化语言,是一阶谓词逻辑的可判定子集,已成为语义Web的理论基础.描述逻辑中ALC是最小命题封闭的,是其它描述语言的基础,而可判定是描述逻辑的最重要的问题,在ALC中Tableau算法巧妙地解决了这一问题,掌握ALC中的Tableau算法是理解各种描述逻辑中可判定性的基础.对ALC中的Tableau算法进行详细阐述,并对其关键的几个性质: 可终止性、完备性和判定性给出了证明,为研究SHOIN(D)中的Tableau算法及性质奠定了基础.