基于迁移学习的电力短文本情感分类研究

为了有效提高客服效率与主动服务意识,从电力短文本中挖掘客户的情感状态,提出了一种基于迁移学习的情感分析方法,将具有丰富标注信息的商品评论语料库作为源域,提高了目标域中的电力短文本的情感分类性能。在现有基于注意力机制的双向长短型记忆网络模型之上引入域适应层,以学习跨域知识并保留特定域的知识。实验结果表明,与其他算法相比较,该算法对电力短文本进行情感分类的效果优于非迁移学习方法,具有更好的分类性能。     

基于决策树的供应商全链路动态特征挖掘算法

为了降低特征挖掘结果的汉明损失和错误率，提出了一种基于决策树的供应商全链路动态特征挖掘算法.对数据实施数值化、离散化和归一化处理，通过降低数据值域的差异来降低汉明损失和错误率.利用处理后的数据建立决策树，通过剪枝操作提高了数据分类的精度，采用改进的CHI值和RBF神经网络有效挖掘全链路动态特征.该算法降低了挖掘结果的汉明损失和错误率，且分类处理精度、准确率、召回率均有所提高.该算法有效提高了供应商全链路动态特征的挖掘效果.     

一种多标签统一域嵌入的推荐模型

协同过滤是一种简单的运用关联知识的推荐方法,但在数据稀疏度高的情况下效果不尽人意.因子分解机解决了数据稀疏情况下的特征组合问题,再结合深度神经网络对高阶特征的提取,一系列深度学习预估模型被提出并取得较好效果.但这类模型主要受益于大量知识标签组合以及高阶特征理解,当数据标签类别稀少时其性能严重退化.为解决稀疏数据且稀少标签类别情境下的推荐问题,本文提出一种多标签统一域嵌入方法,并进一步设计实现了统一域嵌入的推荐模型.特征标签首先以领域划分并通过嵌入层转化为特征向量,然后基于特征空间表达的映射层将特征向量由当前域嵌入到统一域,最后对统一域向量进行空间关联运算并预测评分.采用近年来优异的深度学习预估模型作为对比模型,在多个主流开放数据集上进行了预测.实验结果表明,多标签统一域嵌入模型在推荐精度及性能上优于其它模型,它能够克服神经网络训练中的瓶颈,为数据标签稀缺情境下的推荐系统提供可行的解决方案.     

基于深度学习的录音文本分类方法

为了提高具有关联工单数据的录音文本的分类精确率,根据录音文本及关联数据的特点,设计基于深度学习的录音文本分类方法. 针对录音文本,通过双向词嵌入语言模型（ELMo）获得录音文本及工单信息的向量化表示,基于获取的词向量,利用卷积神经网络（CNN）挖掘句子局部特征;使用CNN分别挖掘工单标题和工单的描述信息,将CNN输出的特征进行加权拼接后,输入双向门限循环单元（GRU）,捕捉句子上下文语义特征;引入注意力机制,对GRU隐藏层的输出状态赋予不同的权重. 实验结果表明,与已有算法相比,该分类方法的收敛速度快,具有更高的准确率.     

不完备模糊混合决策系统的邻域粗糙集分析方法

针对现实中同时具有不完备、模糊、混合属性值域决策系统的约简问题,建立了广义邻域粗糙集模型,提出了未知属性的辨别方法和基于属性重要度的约简算法。采用广义邻域关系度量不可分辨关系,通过邻域粒子逼近论域空间,是非对称相似关系、容差关系和模糊等价关系的广义化,可以直接处理同时含有名义型、数值型、模糊型、丢失型和遗漏型不完备属性的混合决策系统。依据分类一致性假设及广义邻域关系进行未知属性的辨别,讨论了噪声样本和邻域大小对分类精度的影响,给出了约简算法的具体实现。采用HitSHT数据和UCI数据库中2组数据进行了仿真试验,预测精度证明了模型的合理性及约简算法的有效性。     

基于双向关联规则项目评分预测的推荐算法研究

针对用户评分数据稀疏性问题,通过对事务数据库项目空间关联性分析,提出基于双向关联规则项目评分预测的推荐算法。算法利用双向关联规则挖掘事务数据库中相互关联的项目,找到目标项目的关联集,利用已评分项目初步预测用户对目标项目的偏好程度,最后结合协同过滤算法为用户提供推荐服务。实验结果表明,当置信度水平在60%～90%之间变动,支持度在5%～10%之间变化时,关联规则数目随着置信度和支持度水平的增加而逐渐减少,而推荐精度逐步提高。为了验证算法的有效性,选取置信度为80%以及支持度为7%与传统的推荐算法比较,所设计的算法能够较精确地找到目标项目的关联集,推荐精度和效率明显优于传统的推荐算法。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

符号序列的LDA主题特征表示方法

针对现有序列挖掘算法特征维度高、学习算法时间复杂度高等方面的不足,提出一种主题特征表示法,将符号序列转换为一组表示多个主题呈现度的概率向量。基于文本挖掘中常用的隐含狄利克雷分配(latent Dirichlet allocation, LDA)主题模型,视短序列元组为序列的浅层特征(词),利用LDA模型学习算法提取主题及其概率分布,作为序列的深层特征。在6个实际序列数据集上进行试验,并与基于元组、Markov模型的现有方法作对比,结果表明,新方法在降低特征维度的同时提高了表示模型的学习效率,在符号序列分类应用中可以取得较理想的分类精度。     

基于MABM的消费者情感倾向识别模型——以电影评论为例

识别线上消费者群体评论的情感倾向,有助于优化平台推荐算法及提升服务质量,如何有效识别消费者情感倾向,是一个热门的研究选题。本文基于多头自注意力机制的双向长短期机制提出MABM(Multi-head self-Attention and Bidirectional long-short term Memory neural network)情感倾向识别模型,采用知名电影点评网站豆瓣点评在线评论数据作为语料,使用文本挖掘工具对数据进行预处理,以10个机器学习模型和4个深度学习模型为对照组,按照8:2划分训练集和测试集来验证对比评估MABM模型的有效性和稳健性。两组对比实验结果发现,深度神经网络模型预测效果整体优于机器学习模型,并且以MABM模型的分类效果最佳。MABM模型能够有效识别消费者评论的情感倾向,使推荐算法能有效结合消费者的心理行为,以获得更显著的营销效果。     

小差异化图像数据库中的特定特征挖掘方法设计

针对传统的特定特征关联挖掘方法存在挖掘效率低的问题,提出基于一种推荐模式的小差异化图像数据库中的特定特征数据挖掘方法.运用萤火虫优化支持向量机参数法,提取小差异化图像数据特定特征,解决相似关联问题,采用主成分分析方法对小差异化图像特征进行降维处理,利用Laplace预测分类方法对提取的小差异化图像特定特征进行推荐分类,之后对分类的特定特征按照推荐等级进行挖掘.结果表明,所提出的挖掘方法要优于传统挖掘方法,准确率及效率得到明显提高.     

基于选择性预测策略的协同过滤推荐算法

针对传统协同过滤推荐算法在用户评分数据极端稀疏情况下无法取得令人满意的推荐质量问题,结合User-based 和Item-based 协同过滤算法思想,提出了一种基于选择性预测策略的协同过滤推荐算法,算法利用高相似度阈值来计算用户相似性和项目相似性,并通过形成用户最近邻居集和项目最近邻居集来预测填充评分矩阵。基于Movielens数据集的实验表明,改进的算法有效改善了传统协同过滤推荐算法的数据稀疏性和扩展性问题,明显提高了系统的推荐质量。     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.     

基于既有桩基振动理论反演的桩周土动态响应解

提出一种基于现有桩基振动理论反演的桩周土半无限空间激振响应模型,通过Laplace-Hankel积分变换求解得到其复数域内解析解及时域半解析解. 该方法在获得桩周土动态响应的同时,避免对复杂桩–土耦合振动条件进行联立分析,使得求解这类问题的解析过程大大简化. 通过与既有理论解及有限元分析软件ABAQUS的结果进行对比,分别验证所得解在桩周土及桩底以下土激振响应问题上的合理性. 基于解析结果,针对由旁孔透射波法估计未知桩长的问题进行讨论,提出一种相对简单的未知桩长估计方法. 该方法可以减少现场测试的工作量,并有助于提高后期数据处理的精度.     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。     

融合信任传播和矩阵分解的协同推荐算法

针对现有基于模型的协同推荐算法推荐精度不高和覆盖面较小的问题,引入社会网络中的信任信息对基于矩阵分解的推荐模型进行扩展,提出一种融合信任传播和矩阵分解的协同推荐算法。首先,基于社会网络中的直接信任关系,提出一种信任传播规则,实现社会网络中信任关系的传递;然后,利用矩阵分解技术降维处理大规模数据集的优势,提出一种融合信任传播机制和矩阵分解模型的协同推荐算法。在Epinions数据集上的实验结果表明,本文提出的推荐算法不仅提高了推荐的精度,而且增加了推荐的覆盖面。     

土-作物-大气系统中动态根系生长及水动力学模拟

针对土-作物-大气连续系统的土壤水动力学模型对根系动态生长的模拟不理想,通过引入最新的根系生长模型理论、根长密度分布函数以及联合国粮农组织推荐的计算蒸发及蒸腾总量的模型理论,与现有的模拟水土运动的有限元程序相耦合,建立模拟土-作物-大气系统的水动力学模型.基于荷兰实验农场的小麦实验数据的模拟结果表明,在不同时期、不同深度处土壤中水的体积分数与实验值比较吻合;由于降雨和蒸发的上边界影响,上部土壤中水的体积分数随时间变化较快;除接近地表的个别根长密度模拟点偏差较大外,总体来说根长及根长密度模拟结果与实验值比较吻合;蒸腾量和蒸发量的模拟结果可靠.建立的新模型合理,可以有效地模拟土-作物-大气系统中的根系生长及水动力学.     

基于集成深度学习的时间序列预测模型

基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks, DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。     

基于改进传播算子的双基地多输入多输出雷达参数估计

针对双基地多输入多输出（MIMO）雷达系统中，多目标波离方向（DOD）和波达方向（DOA）联合估计精度低的问题，提出了一种改进的传播算子（PM）方法。根据传播算子定义要求提取存在旋转不变结构的相关数据，组合相关数据求得协方差，采用前后向平滑方法求得传播算子，根据其内部结构特征求出旋转不变因子，估计出DOD和DOA的值。仿真结果表明:与传统的旋转不变子空间算法和PM算法相比，该方法具有更高的估计精度，在低信噪比时与传统的PM算法相比最大均方根误差相差4 dB，性能更加稳定，更适合低信噪比时的DOD和DOA高精度估计。     

路基土钉支护加固的数值分析

建立路基土钉支护加固的数值分析计算模型,对边坡土体的变形及土钉的受力进行分析,数值结果表明:随着边坡开挖深度增加面板位移加大,土钉轴力增加.基于此数值分析建议在工程实际中土钉不等长布置会得到更好的支护效果与经济性.