面向游戏客服场景的自动问答系统研究与实现

针对游戏客服场景中玩家领域化、口语化的提问方式,应用深度学习工具word2vec建立带有语义的词的向量表示,设计了一种利用词向量距离,结合同义词替换、权重、句子长度、词序等因素的句子相似度计算模型。在该模型基础上,通过预分类、重定义分类规则,对KNN分类算法的大类占优、全局匹配计算代价高等问题进行改进,实现了一种基于文本分类的面向游戏客服场景的自动问答系统。实验结果表明,该系统具有较高的问题分类准确率和分类效率。     

带记忆存储的分级自组织背景差分算法*

自组织背景差分算法存在实时性不高和背景模型在非周期变化的复杂背景环境下容易出现偏移的缺点.针对上述问题,文中提出带记忆存储的分级自组织背景差分算法.首先构建边界共享型的背景模型以降低时空复杂度,同时在矩阵模型的基础上引入缓存空间设计,分别存储当前背景和过往背景.然后,在检测目标阶段,设计不同粒度级别的判定机制确定像素是否为目标.实验表明,文中算法能克服原算法存在的不足,同时有效提升检测精确度和实时性.     

场景线稿动漫效果的自动上色算法

场景线稿具有线条语义多样化的特点,直接应用现有的人像线稿图自动上色算法对其着色容易出现上色错误或棋盘效应等结果失真的现象.针对上述问题,文中提出动漫效果自动上色算法.基于条件生成对抗网络,改进和增强人像线稿图自动上色算法中常用的U型网络(U-Net)生成器的结构,设计双层信息抽取的生成器网络(DIEU-Net),自动完成场景线稿到动漫效果的上色.DIEU-Net设计用于抽取场景线稿浅层显著信息的双卷积子模块(IESS).构建双层IESS与残差结构的集成模块,插入生成器的不同阶段,增强网络在与线稿关联的颜色、位置等重要特征上的全域学习能力,缓和网络加深带来的梯度消失等网络退化问题.同时采用“卷积+上采样”操作替换U-Net生成器中原有的反卷积操作,抑制生成结果中棋盘效应的发生.实验表明,文中算法能较好地克服结果失真的问题,上色效果合理、自然,具有较好的应用推广性,可应用于多种类型景物线稿图的动漫上色.     

基于样本密度峰值的不平衡数据欠抽样方法

不平衡数据分类是数据挖掘和机器学习领域的一个重要问题,其中数据重抽样方法是影响分类准确率的一个重要因素。针对现有不平衡数据欠抽样方法不能很好地保持抽样样本与原有样本的分布一致的问题,提出一种基于样本密度峰值的不平衡数据欠抽样方法。首先,应用密度峰值聚类算法估计多数类样本聚成的不同类簇的中心区域和边界区域,进而根据样本所处类簇区域的局部密度和不同密度峰值的分布信息计算样本权重;然后,按照权重大小对多数类样本点进行欠抽样,使所抽取的多数类样本尽可能由类簇中心区域向边界区域逐步减少,在较好地反映原始数据分布的同时又可抑制噪声;最后,将抽取到的多数类样本与所有的少数类样本构成平衡数据集用于分类器的训练。多个数据集上的实验结果表明,与现有的RBBag、uNBBag和KAcBag等欠抽样方法相比,所提方法在F1-measure和G-mean指标上均取得一定的提升,是有效、可行的样本抽样方法。     

一个新的差别矩阵及其求核方法

首先利用反例指出HU的利用差别距阵来求粗糙集中的核的方法是错误的,然后给出一个新的差别距阵的定义和求核方法,并证明了方法的正确性.     

分布约简与信息熵意义下的约简

1引言 粗糙集中的属性约简是在保持系统分类能力不变的条件下,通过删除那些不必要的、冗余的属性得到的条件属性集合,它可以在不丢失系统基本信息的基础上,简化信息,形成知识.信息熵是由Shannon提出的,基于统计意义的,用于度量信息的不确定性和随机性的重要概念,将粗糙集的方法与信息熵相结合,已经取得了众多成果[1].在实际的应用中,由于种种原因,得到的信息一般都会带有一定的不一致性,因此如何定义不一致信息系统中的属性约简,是一个重要研究的课题.除了传统代数意义下的属性约简之外,文[1]还提出了信息熵意义下的属性约简,文[2]在文[3]的分布约简的基础上提出了最大分布约简,并定义了相应的可辨识矩阵.本文主要对信息熵意义下的属性约简与分布约简和最大分布约简之间的关系进行讨论.     

融合邻域模型与矩阵分解模型的推荐算法

协同过滤推荐算法是目前构建推荐系统最为成功的算法之一,它利用已知的一组用户对物品喜好数据来对推测用户对其他物品的喜好,其中,能够直接刻画用户与项目潜在特征的矩阵分解模型和通过分析物品或者项目间相似度的邻域模型是研究的热点.针对这两个模型存在的不足,提出了一种将邻域模型与矩阵分解模型有效结合的方法,进而构建了一个改进的协同过滤推荐算法,提高了预测准确性.实验结果验证了改进算法的正确性与有效性.     

适应目标尺度变化的改进压缩跟踪算法*

基于压缩感知理论对目标Haar-like特征进行降维处理的压缩跟踪算法采用固定大小的跟踪框跟踪目标,在目标尺度发生变化时,容易产生跟踪漂移甚至丢失跟踪目标的现象.为了克服这一缺陷,文中分析Haar-like特征随目标尺度变化的情况,发现在一定变化尺度范围内,跟踪矩形框内目标Haar-like特征值的变化与跟踪矩形框的面积变化呈近似线性关系,在此基础上提出适应目标尺度变化的改进压缩跟踪算法(CTVS).实验表明,CTVS具有较高的尺度自适应能力,能更好地减轻目标跟踪过程中可能出现的遮挡、光照变化、背景混杂、变形等干扰因素的影响,具有较高的鲁棒性和准确性.同时算法计算效率较高,能够达到实时跟踪的目的.     

一种带规范知识引导的改进人工蜂群算法

针对数值函数优化问题,提出一种改进的人工蜂群算法.受文化算法双层进化空间的启发,利用信度空间中的规范知识引导搜索区域,自适应调整算法的搜索范围,提高算法的收敛速度和勘探能力.为保持种群多样性,设计一种种群分散策略,平衡群体的全局探索和局部开采能力,并且在各个进化阶段采用不同的方式探索新的位置.通过对多种标准测试函数进行实验并与多个近期提出的人工蜂群算法比较,结果表明该算法在收敛速度和求解质量上均取得较好的改进效果.     

一种基于博弈策略的群智能属性约简算法

建立了粒子群算法与博弈论之间的联系,在此基础上,引入一种基于博弈策略的群智能搜索机制,并应用于粗糙集最小属性约简问题的求解。由此构建的属性约简算法,可以设置不同的参与团体及其博弈策略,构建相应的支付效用矩阵,并能通过博弈过程构建策略的最优组合。多个UCI数据集的实验计算表明提出的基于博弈策略的新算法求解质量优于粒子群优化算法、禁忌搜索、遗传变异和变异粒子群优化算法,并具有较小的计算开销。