结合关键帧提取的视频-文本跨模态实体分辨双重编码方法

现有的视频-文本跨模态实体分辨方法在视频处理上均采用均匀取帧的方法,必然导致视频信息的丢失,增加问题的复杂度。针对这一问题,提出一种结合关键帧提取的视频-文本跨模态实体分辨双重编码方法（DEIKFE）。以充分保留视频信息表征为前提,设计关键帧提取算法提取视频中的关键帧,获得视频关键帧集合表示。对于视频关键帧集合和文本,采用多级编码的方法,分别提取表征视频和文本的全局、局部和时序的特征,将其进行拼接形成多级编码表示。将该编码表示映射至共同嵌入空间,采用强负样本跨模态三元组损失对模型参数进行优化,使得匹配的视频-文本相似度越大,而不匹配的视频-文本相似度越小。通过在MSR-VTT、VATEX两个数据集上进行实验验证,与现有方法进行对比,在总体性能R@sum上分别提升了9.22%、2.86%,证明了该方法的优越性。     

不确定模式匹配研究综述

模式匹配是数据集成、语义Web等研究领域的重要研究内容,需要依据一定的启发式信息发现模式元素之间的对应关系。鉴于启发式信息处理方法的不同,对模式匹配方法进行了分类,并从模式匹配结果集结方法的角度,介绍了综合模式匹配方法。不确定性是模式匹配过程固有的特性,介绍了建模模式匹配过程中不确定性的数据模型,在此基础上介绍了处理模式匹配过程中不确定性的模式匹配方法。最后对模式匹配研究进行了展望。     

基于多目标蚁群优化的单类支持向量机相似重复记录检测

为解决数据源中相似重复记录样本稀少问题,提出一种基于多目标蚁群优化的单类支持向量机相似重复记录分类检测方法。根据记录对中2条记录是否相似,将相似重复记录检测建模为二分类问题,用单类支持向量机进行分类,并且只用不相似重复记录样本对进行训练;选择合适的属性相似度函数计算记录对之间的相似特征向量,将其作为单类支持向量机分类器的输入进行二分类检测;建立以查准率、查全率、特征数量综合最优为目标的多目标特征选择模型,结合训练样本为单类样本的特点,将启发式因子定义为类内散度最小化约束,设计了求解模型的多目标蚁群算法。通过将单类支持向量机算法和支持向量域描述算法、传统二分类支持向量机算法进行对比,结果验证了单类支持向量机算法的有效性和优越性。     

基于Web服务的实时图纸发布系统研究

面向服务的体系结构以及Web服务的出现，使集成遗留系统成为可能，文章将介绍如何综合利用Web服务和消息服务实现图纸二进制文件的实时跨平台分发．     

基于Bi-GRU并包含注意力机制的文本数据真值发现

针对传统真值发现算法无法直接应用于文本数据的问题,该文提出基于Bi-GRU并包含注意力机制的文本数据真值发现方法。根据文本答案的多因素性,词语使用的多样性与文本数据的稀疏性等特点,该文对用户答案进行细粒度划分,并利用Bi-GRU表征文本答案的语义信息,利用双层注意力机制分别学习用户答案关键词可靠度及用户答案可靠度。依据真值发现的一般假设,无监督学习上下文向量,并最终获得可靠答案。实验结果表明,该算法适用于文本数据真值发现场景,较基于检索的方法及传统真值发现算法效果更优。     

基于EXT-GWT的Web应用开发

文章介绍了ExtJs和GWT的特点和优势,以及基于EXT-GWT开发环境的配置方法,并给出一种基于MVC模式的EXT-GWT系统结构.     

面向大规模定制的制造业领域数据溯源模型研究

数据溯源技术与大规模定制生产模式的融合是实现数据质量提高和技术创新发展的基础。基于订单随机性、产品种类多、批量少给数据质量带来的一系列的机遇和挑战,提出一种基于开放溯源模型的数据溯源模型。结合大规模定制中数据生命周期的特点,从海量的数据中寻找源头数据及记录数据在传播过程中的变化来对其进行管理,构建大规模定制下制造业领域的数据溯源信息交换模型。建立供应链开放溯源模型、产品属性开放溯源模型和生产阶段开放溯源模型,从而解决大规模定制中企业之间或企业内部的信息交换问题,实现数据追踪功能和数据质量的控制与提升。     

基于神经网络编码的真值发现

由于互联网的开放性和多源性,不同互联网平台提供的数据参差不齐,多个数据源对同一实体的描述可能存在冲突,真值发现是消解语义冲突,提高数据质量的重要技术手段之一。传统真值发现算法通常假设数据源可靠度与观测值可信度间的关系可用简单函数表示,设计迭代规则或概率模型进行真值发现,而人工定义的条件通常难以反映数据底层的真实分布,导致真值发现结果不理想。针对此问题,提出基于神经网络编码的真值发现方法TDNNE。首先利用“数据源-数据源”“数据源-观测值”关系及真值发现的假设构造双损失深度神经网络;然后利用该网络将数据源与观测值嵌入到高维空间,分别表示数据源可靠度与观测值可信度,使可靠数据源与可信观测值彼此接近（同时,不可靠数据源与不可信观测值彼此接近）;最后基于嵌入空间进行真值发现。与传统方法相比,TDNNE方法不需要人工定义迭代规则或数据分布,而是利用神经网络自动学习数据源观测值间复杂的关系依赖。在真实数据集上的实验结果表明,该方法准确率较基于迭代的Accu等方法准确率提高约2%~25%,较基于概率图模型的3-Estimates等方法提高约2%~4%,较基于优化的CRH方法提高约2%~5%,较基于神经网络的FFMN方法提高约1%~2%。     

基于多蚁群同步优化的多真值发现算法

为提高在多真值场景下真值发现的准确性,提出一种多蚁群同步优化的多真值发现算法（multi-ant co-lonies synchronization optimization based multi-truth discovery algorithm,MAC-SO-MTD）。以最大化各数据源提供的观测值集合与该对象真值集合之间相似度的加权和为目标,将多真值发现问题建模为求解子集问题,在此基础上设计蚁群算法进行求解：根据对象个数设置相应的蚁群,构造子集问题的有向图,利用路径概率转移公式进行同步搜索真值;将信息素更新分为本次迭代最优更新和本次迭代不更新,提高了算法的收敛速度。最后,通过算法复杂度分析和在真实数据集上的实验验证了该算法的优越性。     

贞亨集团新建电子信息机房节能降耗的分析

随着电子信息机房IT设备高密度的集成化,解决机房IT设备的散热及机房散热量日渐趋高的现象开始受到了各界强烈关注。作为一名电子信息系统机房的管理者和使用者,在我从业者这近十年间,IT设备的有效高效的散热,机房内得节能降耗状况一直不太理想,导致我们信息部门一直是整个集团的耗能大户,呼吁更多的专业供应商和专业人士来关注信息机房的节能降耗这一日益严峻的课题。