交互式机器翻译综述

随着深度学习的发展和成熟,神经机器翻译的质量也越来越高,然而仍不完美,为了达到可接受的翻译效果,需要人工进行后期编辑。交互式机器翻译（IMT）是这种串行工作的一个替代,即在翻译过程中进行人工互动,由用户对翻译系统产生的候选翻译进行验证,并且,如有必要,由用户提供新的输入,系统根据用户当前的反馈生成新的候选译文,如此往复,直到产生一个使用户满意的输出。首先,介绍了IMT的基本概念以及当前的研究进展;然后,分类对一些常用方法和前沿工作加以介绍,并简述每个工作的背景和创新之处;最后,探讨了IMT的发展趋势和研究难点。     

个性化检索中的用户ontology及其构建

为使用户能够从信息庞杂的网络中方便准确地找到自己所需的信息，在传统检索技术的基础上，结合ontology及个性化检索技术的研究，提出个性化检索中用户ontology的概念，讨论了基于行为的用户描述文件的建立，并制定了个性化检索中语义关系的提取规则。最后在此基础上给出了用户ontology的构建方法，并通过比较实验说明了用户ontology在个性化检索中的有效性。     

可视化交互式遗传算法及其在图像感性检索中的应用

提出了一种可视化IGA模型，结合GA在n维空间上快速搜索的优点和人类在2维空间上把握数据整体分布的能力，采用可视化的方法使用户主动参与搜索过程以加快遗传算法的收敛速度，从而减轻用户疲劳．采用主元分析的方法将n维空间中的个体向量映射到2维空间．并显示出来，用户可以在这个2维空间中选择一个好的个体加入遗传过程．以此来加速算法的收敛．实验证明可视化IGA较一般的IGA有更快的收敛速度，对减轻用户疲劳有很好的作用．该模型用于图像的感性检索，取得了较好的检索结果。     

用户兴趣模型在垂直搜索引擎检索模块中的应用

在Lucene的基础上设计了垂直搜索引擎模型的检索模块,以提高检索的质量,改变文档的排名,改善用户体验。该模型在检索模块中综合了四个方面来计算文档得分,即主题相关度得分、网页重要性得分、用户兴趣计算得分、关键词位置权值得分。为了让检索结果更能体现用户的实际需要,特别加重了用户兴趣部分的权重分值,并通过实验证明了改进的检索模块比传统的检索更有实际效果,增强了垂直搜索的个性化。     

交互式图形系统的规范化用户接口模型

本文给出一种规整、灵活、通用和友善的规范化用户接口模型,并对它的特点进行了分析。     

基于IGA的用户Agent模型与设计

个性化信息检索与获取是目前理论与应用研究的一个热点.其解用户疲劳、加快算法的收敛.本文以图形检索为应用背景,提出了基于交互式遗传算法的用户Agent模型.该软件Agent针对现有研究的不足,将用户个性化信息获取与个性化检索集成在一起,两者相辅相成.在获取用户个性化信息时,我们设计了一种结合归纳和统计的用户情感计算机制,通过对前几代操作的结果进行归纳、计算,得到用户的特异性偏好;在利用用户情感偏好实现检索时,我们设计了利用个体偏好的引导进化方法来指导交互式遗传算法的选择、变异等操作.实验验证该模型在人脸图形检索中确实达到了体现用户个性化,有效缓解用户疲劳的目的.     

交互式自行车模拟器视景仿真系统开发

视景仿真系统是交互式自行车模拟器的重要组成部分。其给骑车者提供逼真的虚拟三维漫游场景。开发的视景仿真系统硬件上采用PowerWall虚拟现实系统，软件上基于自主开发的虚拟现实通用应用开发平台VR Flier，提高了开发的效率。VR Flier采用面向对象方法设计，能够全面地支持小同领域和不同规模的VR应用开发。视景仿真系统通过优化以及动态调度三维场景模型的方法提高了大范围漫游场景的渲染帧率；并对场景路面坡度及视景转向信号进行平滑处理，获得很好的视景仿真效果。     

交互式图像检索中相关反馈进展研究

在介绍现有的交互式图像检索机制的基础上,重点阐述和分析了交互式相关反馈技术及其进展;最后对图像检索技术的发展趋势进行了探讨。     

个性化信息检索系统中用户兴趣模型的建立

个性化检索系统通过收集和分析用户信息来学习用户的兴趣和行为,从而实现对用户的个性化的信息推荐服务。而用户兴趣模型正是用户和兴趣的信息模型,用户兴趣模型直接影响到个性化的信息服务。     

基于用户行为分析的个人信息检索研究

个人信息检索是指个人计算机上用户搜索个人信息(通常是文档)的过程,与互联网检索相比,个人信息检索能够利用的信息很少,这使得其检索结果的排序更加困难。该文通过考察计算机上的用户行为,对个人信息检索的排序问题进行深入的研究。该文考察的用户行为主要包括用户在检索系统中的查询行为和在计算机上的文件访问行为。该文一方面通过查询行为数据训练出结果排序函数,另一方面通过文件访问行为数据获取文件自身的权重,最后利用统计学习方法结合这两类行为的计算结果。实验结果表明,该文提出的方法好于传统的TFIDF排序方法。     

一种自适应语义Web检索方法

基于内容的语义Web检索只考虑内容本身,没有考虑用户的不同,不能准确反映用户需求。为此,提出一个自适应语义Web检索框架,对于Web中文文档,借助HowNet知识库给出一种本体学习方法,通过提取用户客观、显式和隐式信息建立用户信息库,并设计用户初始查询本体和个性化查询本体构建算法,从而实现用户的自适应检索。实验结果表明,该方法具有较高的检索效率。     

图像检索中基于长期学习的动态用户模型

提出一个结合长期学习的概率检索模型,即通过估算一个动态的用户模型来预测目标图像的概率分布.系统以反馈序列为用户模式,通过与反馈日志中用户模式的匹配,动态地调整对当前用户的预测.与PicHunter传统用户模型相比,此系统基于长期学习的方法,通过对用户反馈的观察,动态地调整当前的用户模型,从而更精确地推断当前用户的反馈行为.对1.1万幅图像数据库的实验表明,与已知方法相比,此方法对检索精度有明显的改善.     

基于用户浏览行为的用户模型调整算法研究

个性化信息服务越来越成为信息检索领域中研究的热点。针对用户模型构造问题,文章结合手工定制建模与自动分析建模技术;并改进文档特征向量的权重计算方式,提高特征向量表示文档的能力;并结合用户浏览行为的页面反馈度计算,提出了一种用户模型智能调整算法。模拟实验表明,该结构和算法能够有效地提高检索结果的准确度,并且具有良好的可适应性。     

个性化搜索引擎中用户模型智能调整算法的研究

个性化信息服务越来越成为信息检索领域中研究的热点。针对用户模型构造问题,文章结合手工定制建模与自动分析建模技术,利用空间向量模型表示法,提出了一种用户模型智能调整算法。模拟实验表明,该结构和算法能够有效地提高检索结果的准确度,并且具有良好的可适应性。     

Fuzzy User Modeling for Information Retrieval on the World Wide Web

Information retrieval from the World Wide Web through the use of search engines is known to be unable to capture effectively the information needs of users. The approach taken in this paper is to add intelligence to information retrieval from the World Wide Web, by the modeling of users to improve the interaction between the user and information retrieval systems. In other words, to improve the performance of the user in retrieving information from the information source. To effect such an improvement, it is necessary that any retrieval system should somehow make inferences concerning the information the user might want. The system then can aid the user, for instance by giving suggestions or by adapting any query based on predictions furnished by the model. So, by a combination of user modeling and fuzzy logic a prototype system has been developed (the Fuzzy Modeling Query Assistant (FMQA)) which modifies a user's query based on a fuzzy user model. The FMQA was tested via a user study which clearly indicated that, for the limited domain chosen, the modified queries are better than those that are left unmodified. Received 10 November 1998 / Revised 14 June 2000 / Accepted in revised form 25 September 2000     

模仿学习方法综述及其在机器人领域的应用

模仿学习一直是人工智能领域的研究热点。模仿学习是一种基于专家示教重建期望策略的方法。近年来，在理论研究中，此方法和强化学习等方法结合，已经取得了重要成果；在实际应用中，尤其是在机器人和其他智能体的复杂环境中，模仿学习取得了很好的效果。主要阐述了模仿学习在机器人学领域的研究与运用。介绍了和模仿学习相关的理论知识；研究了模仿学习的两类主要方法：行为克隆学习方法和逆强化学习方法；对模仿学习的成功应用进行总结；最后，给出当前面对的问题和挑战并且展望未来发展趋势。     

跨模态检索研究综述

近年来,各种类型的媒体数据,如音频、文本、图像和视频,在互联网上呈现爆发式增长,不同类型的数据通常用于描述同一事件或主题。跨模态检索提供了一些有效的方法,可以为任何模态的给定查询搜索不同模态的语义相关结果,使用户能够获得有关事件/主题的更多信息,从而达到以一种模态数据检索另外一种模态数据的效果。随着数据检索需求以及各种新技术的发展,单一模态检索难以满足用户需求,研究者提出许多跨模态检索的技术来解决这个问题。梳理近期跨模态检索领域研究者的研究成果,简要分析传统的跨模态检索方法,着重介绍近五年研究者提出跨模态检索方法,并对其性能表现进行对比;总结现阶段跨模态检索研究过程中面临的问题,并对后续发展做出展望。     

深度强化学习在智能制造中的应用展望综述

深度强化学习作为机器学习发展的最新成果,已经在很多应用领域崭露头角。关于深度强化学习的算法研究和应用研究,产生了很多经典的算法和典型应用领域。深度强化学习应用在智能制造中,能在复杂环境中实现高水平控制。对深度强化学习的研究进行概述,对深度强化学习基本原理进行介绍,包括深度学习和强化学习。介绍深度强化学习算法应用的理论方法,在此基础对深度强化学习的算法进行了分类介绍,分别介绍了基于值函数和基于策略梯度的强化学习算法,列举了这两类算法的主要发展成果,以及其他相关研究成果。对深度强化学习在智能制造的典型应用进行分类分析。对深度强化学习存在的问题和未来发展方向进行了讨论。