基于先验知识的文本实体识别方法

阐述文本实体识别作为医疗相关人工智能应用的关键中间任务，其效果直接决定下游任务表现上限，然而传统方法中通常忽略医学知识的应用，很难取得良好表现。提出一种基于RoBERTa与CRF并融合医学知识的医学文本实体识别方法，将医学知识作为先验引入到CRF最优路径搜索环节，极大程度地提升了标签转换的连贯性，并在相关数据集主指标上取得了改善。     

某钢中厚板中间库自动仓储系统设计与实现

由于中厚板中间库库区面积大、地面设备众多、工艺路线复杂，造成库区管理人员较多。同时，大量的人工操作导致数据质量难以保证，且相对滞后，造成实物流与信息流脱节，严重影响整体生产效率。本文提出了中厚板中间库自动仓储解决方案，以物料产线跟踪系统为基础，实现以工艺流为主线贯穿物料全部生命周期，以无线APP为载体实现工序信息快速转换，以天车为载体实现实物流与信息流的同步运行。实践表明，该方案考虑全面、结果精准，通过对中厚板中间库现有业务和现场实际情况的分析与改善，切实提高中厚板产线生产效率。     

Chapter 1 时计简史

在研究学习一门专业知识之前,如果能先对其有个整体、结构性的认识,就可以以此为基础逐步深入了解,收到事半功倍之效。诚所谓"历史可以断经纬",因此在本书的第一章,希望读者利用简短的钟表发展历史作为研习钟表知识的基础,再结合本书数量庞大的钟表专业名词以及详尽解释,跟着我们一起进入钟表殿堂。本章分为两个小节,先从16世纪初的怀表历史展开,接着来到20世纪初期,即第二节的腕表历史,两小节串接起长达将近五百年的时间轴线,让我们循着时间线,欣赏各种时计如何承载着时间,遨游于传统和现代,并展现机械与艺术的美感。     

基于CiteSpace的资源型产业研究知识图谱分析

资源型产业发展为推进国家经济增长和工业化进程提供了重要保障。为深入了解资源型产业的研究情况，以CNKI数据库为数据源，搜集2000—2020年关于资源型产业的核心及以上期刊论文，利用CiteSpace软件从发文作者与研究机构分布、关键词共现网络和时区图谱等方面，绘制知识图谱，进行可视化分析。研究发现：资源型产业领域的研究成果愈加丰富，但研究群体间联系合作较少，且现有的合作研究主要集中在所处地域资源富集和具有学科优势的研究机构及学者；资源型产业领域的研究热点可概括为产业发展、资源型城市、产业集群、产业结构、产业链和产业集聚等方面；针对资源型产业领域未来可从资源型产业相关理论研究、创新发展模式和可持续发展等方面深入展开。     

金属增材制造技术研究热点聚类分析

为深入分析金属增材制造技术分类和发展状况,采集中国期刊全文数据库(CNKI)收录的核心期刊上的768篇科技文献,借助文献分析可视化软件CiteSpace,对关键词聚类进行了全景式描绘,构建金属增材制造技术知识图谱,揭示该技术研究分类以及演化趋势。     

基于知识图谱和协同过滤的电影推荐算法研究

针对协同过滤算法在推荐电影过程中只能考虑电影外部评论而不能考虑电影内部的相似度关系,提出构建知识图谱辅助计算电影内部相似度。已有的电影数据可能是不完整的,因此采用知识图谱推理补全缺失的电影知识。基于TransE模型的知识图谱无法有效描述电影间的片名、演员、导演等复杂的多关系。首先采用改进的TransHR模型表示出电影信息之间的多关系,提升关系表示的准确率;然后通过用户评分矩阵计算电影间相似度;最后将2种相似度融合并应用于矩阵分解的推荐技术中。对比实验结果表明,该算法在召回率、准确率、平均绝对误差MAE等指标上都有所提升。     

基于增强动态稠密轨迹特征的布料材质识别

为了克服基于视频的布料材质识别中由于忽略了动态因素的影响导致材质识别准确率低的难点,利用布料仿真视频库,提出一种基于增强动态稠密轨迹特征的布料材质识别方法以有效识别布料的材质属性信息.首先利用材质合成方法构造64种不同材质的布料仿真视频数据库;然后利用构造的布料动态视频库,通过迁移预训练的VGG网络增强布料动态视频的各帧特征信息,并消除部分非动态特征;其次利用动态稠密轨迹特征描述布料视频的动态特征,以充分捕捉不同布料材质视频的动态信息;最后通过Fisher向量编码生成布料动态信息的特征数据库,并训练SVM分类器建立布料材质视频动态信息到材质属性参数的映射.利用构建的布料仿真视频库作为数据集进行实验的结果表明,该方法对64种不同布料材质视频的材质种类识别准确率达到73.83%.     

基于改进的Random Subspace的客户投诉分类方法

电信业的客户投诉不断增多而又亟待高效处理。针对电信客户投诉数据的特点，提出了一种面向高维数据的改进的集成学习分类方法。该方法综合考虑客户投诉中的文本信息及客户通讯状态信息，基于Random Subspace方法，以支持向量机（Support Vector Machine，SVM）为基分类器，采用证据推理（Evidential Reasoning，ER）规则为一种新的集成策略，构造分类模型对电信客户投诉进行分类。所提模型和方法在某电信公司客户投诉数据上进行了验证，实验结果显示该方法能够显著提高客户投诉分类的准确率和投诉处理效率。