基于供应链管理的物流外包决策研究

现代企业的竞争已经是供应链和供应链之间的竞争,企业在进行供应链整合时,物流业务外包的实施和评价是重要一步,物流外包商的选择和评价是外包中的重要一环,这里从企业战略和战术层面出发,从利和弊两方面进行分析,简述了一种物流外包决策的新方法。     

基于多模型融合方法的肺结节良恶性分类

针对CT图像中肺结节因边缘模糊、特征不明显造成的分类效果有偏差的问题,本文提出一种嵌入注意力机制的多模型融合方法(简称MSMA-Net)。该方法先将原始CT图像进行肺实质分割和裁剪操作后得到两种不同尺寸的图像,然后分别输入到空间注意力模型和通道注意力模型进行训练,其中,空间注意力模型着重于提取肺结节在CT图像中的空间位置信息,通道注意力模型着重于提取肺结节的细节特征。最后将两个模型提取的特征进行融合,用于得出良恶性分类结果。经过大量实验表明,这种多模型融合方法能很好地提取到肺结节在CT图像中的位置信息和自身的边缘特征,在LIDC数据集的基础上,该方法在准确率,敏感性,特异性分别达到了96.28%,96.72%,96.17%,相较于传统的网络模型取得了更好的分类效果。     

物联网卡安全监测模型及实践

随着物联网业务的蓬勃发展,基于物联网卡的违法违规使用成为安全管控的难点之一。本文在对物联网卡滥用风险及方式分析的基础上,提出了物联网卡安全监测模型,为物联网业务开展的安全保障提供了有效支撑。     

基于Slater社会选择理论的在线服务评价方法

不同用户对于同一在线服务会有不一致的评价标准和偏好,导致其对服务的评分不具备可比性,使用户难以准确选择适合的在线服务。针对该问题,引入Slater社会选择理论提出一种新的在线服务评价方法。对稀疏的评分矩阵进行填充,通过用户对服务评分的相互比较结果,构建以服务为节点、以优先关系为有向边的有向图,并根据其中相似集、前集、后集之间以及内部节点有向边的指向关系,判断所有节点的指向关系及排序,形成服务评价结果。实验结果表明,该方法较Sum法、Average法和Copeland法抗操控性更强,可避免少数用户操控评价结果,并且其符合孔多塞准则,能够体现多数用户的偏好需求。     

面向个性化服装推荐的判断优化模型

针对已有服装推荐算法中服装色调与用户颜色特征不协调的问题,将服装搭配的四季色彩理论与计算机视觉领域的推荐方法相结合,提出一种面向个性化服装推荐的判断优化模型。提出四季色彩判断模型,对根据输入的人脸图像提取得到的用户颜色特征集进行分类;建立优化处理模型,根据四季色彩判断模型结果和用户所需风格进行优化处理并获得服装预推荐结果;通过用户评分及反馈机制,提高优化结果,得到最终推荐结果。实验表明,该方法能实现与用户颜色特征相协调的个性化的服装推荐,并且在实际应用中具有较高的准确率。     

基于用户属性与覆盖范围的意见领袖挖掘研究

针对微博信息的交互性和不确定性,本文提出一种基于用户属性与覆盖范围的意见领袖研究方法。该方法分别计算用户属性值和用户传播覆盖范围。根据粉丝忠实程度计算出用户属性值从而得到用户属性排名。利用用户间微博内容主题相似度构建贡献图,获得用户覆盖范围排名。最后,结合用户属性排名和用户覆盖范围排名生成最终的意见领袖排名。实验结果表明,本方法相比其它意见领袖挖掘方法有更好的效果。     

基于图卷积神经网络的胸部放射影像疾病分类方法北大核心CSCD

医学X射线作为胸部疾病的常规检查手段,可以对早期不明显的胸部疾病进行诊断,并且观察出病变部位。但是,同一张放射影像上呈现出多种疾病特征,对分类任务而言是一个挑战。此外,疾病标签之间存在着不同的对应关系,进一步导致了分类任务的困难。针对以上问题,本文将图卷积神经网络(graph convolutional neural network,GCN)与传统卷积神经网络(convolutional neural network,CNN)相结合,提出了一种将标签特征与图像特征融合的多标签胸部放射影像疾病分类方法。该方法利用图卷积神经网络对标签的全局相关性进行建模,即在疾病标签上构建有向关系图,有向图中每个节点表示一种标签类别,再将该图输入图卷积神经网络以提取标签特征,最后与图像特征融合以进行分类。本文所提出的方法在ChestX-ray14数据集上的实验结果显示对14种胸部疾病的平均AUC达到了0.843,与目前3种经典方法以及先进方法进行比较,本文方法能够有效提高分类性能。     

基于标签相似度的不良信息多标签分类方法

在多标记分类中,标签与标签之间的相关关系是影响分类效果的一个重要因子。而传统的经典多标签分类方法如BR算法,ML-KNN算法等,忽略了标签之间的相关关系对实际分类的影响,分类效果一直不能令人满意。面对类别关联度极高的不良信息的多标签分类,分类效果更是大打折扣。针对上述问题,本文改进一种经典的多标签分类算法RAkEL,首先根据训练文本计算出各标签之间的相似度系数,然后再根据自定义不良信息层次关系计算出综合标签相似度系数矩阵,最后在RAkEL算法投票过程中根据综合标签相似度与中心标签重新确定最终的结果标签集合。与传统的分类方法在真实的语料库上进行多标签分类效果对比,实验证明,该方法在对不良信息分类具有较好的效果。     

面向短文本情感分类的特征拓扑聚合模型

由于短文本极稀疏性和特征分散的特点,短文本的情感分类效果总是不及篇章文本的情感分类,针对此问题,该文提出面向短文本情感分类的特征拓扑聚合模型。模型首先从特征点互信息,情感指向相似度,主题归属差异值三个维度整合计算情感特征的关联度,然后根据特征关联度建立拓扑聚合图模型,通过在图上求解强联通分量聚合高关联度情感特征,从大量未标注语料中提取相似特征对训练集特征进行补充,同时降低训练空间维度。实验将模型应用于短文本情感分类,与基准算法对比能提高分类准确率和召回率分别达0.03和0.027。验证了模型在缓解短文本极稀疏性和特征分散问题上的效果。