基于动态掩蔽注意力机制的事件抽取

事件抽取(event extraction)是自然语言处理(natural language processing,NLP)中的一个重要且有挑战性的任务,以完成从文本中识别出事件触发词(trigger)以及触发词对应的要素(argument)。对于一个句子中有多个事件的多事件抽取任务,提出了一种注意力机制的变种——动态掩蔽注意力机制(dynamic masked attention network,Dy MAN),与常规注意力机制相比,动态掩蔽注意力机制能够捕捉更丰富的上下文表示并保留更有价值的信息。在ACE 2005数据集上进行的实验中,对于多事件抽取任务,与之前最好的模型JRNN相比,Dy MAN模型在触发词分类任务上取得了9. 8%的提升,在要素分类任务上取得了4. 5%的提升,表明基于Dy MAN的事件抽取模型在多事件抽取上能够实现领先的效果。     

基于校园大数据的学生画像系统应用研究

随着我国教育事业的蓬勃发展,各高校都在经历着从数字校园到智慧校园的信息化形态升级,开始将大数据技术运用到教学管理、资源优化等工作上,旨在提高教师和行政人员的工作效率,同时也更加全面、具体地开展学生的培养工作,更好地服务于学生。因此,基于校园大数据的学生画像系统应运而生,为精准教学管理、提高教育质量开创了新的方法。本文提出了基于校园大数据的学生画像系统,介绍了该系统的数据来源与实现技术,验证了该系统的实用场景。     

基于实体对注意力机制的实体关系联合抽取模型

实体关系抽取是实现海量文本数据知识化、自动构建大规模知识图谱的关键技术。考虑到头尾实体信息对关系抽取有重要影响,该文采用注意力机制将实体对信息融合到关系抽取过程中,提出了基于实体对注意力机制的实体关系联合抽取模型(EPSA)。首先,使用双向长短时记忆网络(Bi-LSTM)结合条件随机场(CRF)完成实体的识别;其次,将抽取的实体配对,信息融合成统一的嵌入式表示形式,用于计算句子中各词的注意力值;然后,使用基于实体对注意力机制的句子编码模块得到句子表示,再利用显式融合实体对的信息得到增强型句子表示;最后,通过分类方式完成实体关系的抽取。在公开数据集NYT和WebNLG上对提出的EPSA模型进行评估,实现结果表明,与目前主流联合抽取模型相比,EPSA模型在F₁值上均得到提升,分别达到84.5%和88.5%,并解决了单一实体重叠问题。     

基于头实体注意力的实体关系联合抽取方法

实体关系抽取是构建大规模知识图谱及各种信息抽取任务的关键步骤.基于预训练语言模型,提出基于头实体注意力的实体关系联合抽取方法.该方法采用卷积神经网络(CNN)提取头实体关键信息,并采用注意力机制捕获头实体与尾实体之间的依赖关系,构建了基于头实体注意力的联合抽取模型(JSA).在公共数据集纽约时报语料库(NYT)和采用远...     

基于双重注意力机制的事件抽取方法

针对事件抽取存在未充分利用句法关系、论元角色缺失的情况,提出了基于双重注意力机制的事件抽取（event extraction based on dual attention mechanism,EEDAM）方法,有助于提高事件抽取的精确率和召回率.首先,基于4种嵌入向量进行句子编码,引入依赖关系,构建依赖关系图,使深度神经网络可以充分利用句法关系.然后,通过图转换注意网络生成新的依赖弧和聚合节点信息,捕获长程依赖关系和潜在交互,加权融合注意力网络,捕捉句中关键的语义信息,抽取句子级事件论元,提升模型预测能力.最后,利用关键句检测和相似性排序,进行文档级论元填充.实验结果表明,采用基于双重注意力机制的事件抽取方法,在ACE2005数据集上,较最佳基线联合多中文事件抽取器（joint multiple Chinese event extractor,JMCEE）在精确率、召回率和F1-score分别提高17.82%、4.61%、9.80%;在大坝安全运行日志数据集上,较最佳基线JMCEE在精确率、召回率和F1-score上分别提高18.08%、4.41%、9.93%.     

大数据下图书馆精准服务的用户画像系统设计与实现

在大数据时代,精准用户是各行各业发展的必然趋势,符合快节奏环境下图书馆发展的新方向。文章首先对用户画像的概念进行了简要描述,并从现有的用户画像发展水平出发,统筹生成大数据下图书馆精准服务总体结构,最后通过数据库、中间层、客户端三个层面,逐步推动精准服务系统的用户画像相关技术实现,以此优化现有智慧图书馆服务体验。     

基于大数据的人才画像技术应用研究

针对企业难以掌握现阶段求职市场的具体人才情况问题,将大数据技术应用于人才画像技术中,构建人才用户画像应用模型.利用数据分析技术对人才用户特征标识数据信息进行采集与提取,依据数据分析算法以及职位内容和主题的相似度设计网络爬虫,清洗处理采集到的原始数据,通过聚类分析方法利用部署环境平台对标签进行加工与处理,采用实际案例对挖...     

基于大数据的高校学生精准资助研究

高校学生精准资助是教育扶贫比较重要的一项工作,也是我国高校学生教育推进立德树人、完善教育扶贫战略构建一直在探索的一项内容。运用大数据为高校学生精准资助管理服务,能够在大数据分析和运算下,更加精准地了解到被资助学生的信息,能够对学生精准资助以及回访情况进行指导,实现了对学生精准资助的科学管理。基于此,笔者主要阐述了精准扶贫背景,对大数据背景下高校学生精准资助实施的必要性、原则和对策进行了归纳,以期有效地为高校学生精准资助的实施提供指导。     

基于大数据的高校学生在线学习画像研究

以四川省某高校的网络教学平台为研究对象,对该平台的学生在线学习数据进行学习行为画像。采用python、dycharts、图表秀,对不同任务点(视频)学习情况下学生章节测验平均分、不同作业平均分下学生的章节测验平均分、不同网络测评成绩下学生网络学习状况进行了画像。画像结果能直观看出任课老师对于课程设置的情况、学生学习的各项基本情况、各学院对于学生学习管理的长处和短处,从而更有针对性地进行改善和提高。     

基于大数据平台的企业画像研究综述

随着国民经济的发展,企业的数量不断增加。基于企业运营时产生的海量数据,可以利用大数据技术结合企业画像的理论来对企业进行全面分析,为企业成长、行业发展、政府监管等各方面提供可靠的数据分析。文中首先对当前国内外企业画像构建及其技术进行总结和分析,构建了基于大数据平台的企业画像标签体系模型和建模框架;然后根据企业数据的特点,结合比较热门的用户画像技术,提出了几种处理企业的数据方法;最后提出使用大数据技术处理企业数据时值得讨论的几个问题。     

基于多数据源融合的用户画像构建方法

基于多数据源融合挖掘用户的属性特征,为企业开展个性化推荐和精准营销提供了思路和参考。论文以构建多维用户画像为目标,提出了融合多数据源的用户画像构建方法。首先,基于改进的k-means聚类算法针对搜索记录数据和京东评论数据分别建立了用户兴趣特征标签库和用户消费特性标签库;其次,利用word2vec词向量进行相似度计算来获取用户的兴趣偏好和消费偏好;最后,利用多数据源不同偏好之间的关系计算用户偏好系数来获取用户的融合偏好,从而得出融合后的用户画像,验证了融合多数据源构建用户画像方法的可行性。     

基于大数据分析的精准资助育人模式研究

为了提升高校贫困生认定的客观性与精准性,笔者探讨了基于大数据分析的精准资助育人模式。通过建立学生画像和对学生消费行为进行特征分析,可准确了解学生生活的真实情况。构建含有2个指标的划分消费类别模型,采用Max-Min方法对各指标数据进行归一化处理,选用熵值法计算权重后对数据进行加权处理,应用模糊聚类算法对数据进行聚类分析,依据有效的聚类结果划分消费类别。将分析结果用于资助工作,提高了贫困生资助认定的客观性与精确性。同时将精准资助与帮扶育人有机结合,精准资助育人工作获得显著成效。     

基于电力大数据的客户立体画像构建及应用研究

随着时代的不断进步和科学技术的不断发展,物联网以及智能电网开始慢慢走入生活,被越来越多的人所熟知,加上"互联网+"战略,电力大数据对电网企业的发展已经造成了颠覆性的冲去。通过介绍电力大数据的概念,对客户立体画像进行概述,为后续的应用研究打下铺垫。同时,更加肯定了客户立体画像的应用范围之广,它将带给电力企业新的高度和新的发展。     

基于大数据技术的大学生学习画像构建

在信息社会,各行各业的管理控制转变为以数据、信息为中心.在高等教育领域,高校重视学生信息数据库的建设,通过学生浏览信息的关键词、种类分布和浏览主题等多个维度构建学生画像向量空间模型.本文使用大数据技术构建学生学习画像基础模型框架,研究学生学习画像在个性化学习、问题预警及辅助学校决策等方面的应用,为高校提升学生培养质量提...     

通信运营商基于大数据的精准化个性化服务的研究

本文站在行业的高度分析了移动互联网时代带来的新的改变,落地通信运营商行业,提出从泛在化的个体服务向基于大数据的精准聚类服务转变,从单一的服务向个性化粘性化价值服务转型,确定了移动互联网时代新型服务方式流程体系,并对广东联通的服务创新展开典型案例分析。     

通信运营商基于大数据的精准化个性化服务的研究

本文站在行业的高度分析了移动互联网时代带来的新的改变,落地通信运营商行业,提出从泛在化的个体服务向基于大数据的精准聚类服务转变,从单一的服务向个性化粘性化价值服务转型,确定了移动互联网时代新型服务方式流程体系,并对广东联通的服务创新展开典型案例分析。     

基于多阶段注意力机制的多种导航传感器故障识别研究

导航传感器在使用过程中容易发生故障, 针对传统方法对其间歇性和渐变性故障识别率低的问题提出了一种基于多阶段注意力机制的多传感器故障识别算法. 该算法采用基于长短期记忆神经网络和注意力机制的编码器−解码器结构, 根据多类导航传感器数据之间的空间相关性和时间相关性来进行多传感器的故障互判. 经验证, 该算法对多种类传感器的故障识别率高达97.5%, 可以高效地实现故障的检测和分类. 该方法可以准确识别出故障传感器和故障类型, 具有很强的工程应用价值.     

基于多尺度特征和注意力的金融时序预测方法

金融时间序列预测是经济领域中一个非常重要的实际问题,然而,由于金融市场的噪声和波动性,当前存在方法的预测精度尚不能令人满意。为了提高金融时间序列的预测精度,提出了一种融合扩张卷积神经网络（dilated convolutional neural network,DCNN）、长短时记忆神经网络（long short term memory,LSTM）和注意力机制（attention mechanism,AT）的混合预测模型DCNN_LSTM_AT。该模型由两个部分组成：第一部分包含扩张卷积神经网络和基于LSTM的编码器,其功能在于提取原始序列数据中不同时间尺度的有效信息;第二部分由带注意力机制的LSTM解码器构成,其功能在于对第一部分提取的信息进行过滤并利用过滤后的信息进行预测。最后将所提模型在3支股指数据集和3支个股数据集上进行实验,并与其他常见的基准模型进行了对比,实验结果表明该模型相比于其他模型具有更好的预测精度和稳定性。     

基于大数据应用的体系性安全防护机制研究

笔者描述了大数据的基本内涵,分析了大数据应用场景中面临的安全威胁,阐述了解决大数据安全防护问题所涉及的关键技术,探讨了大数据应用的综合安全防护机制,希望能够为相关研究提供借鉴。