电子商务行业投资的几个关键要素

电子商务领域的热度,不管是媒体的报道,还是投资圈的讨论,电子商务的火爆都是一个不争的事实。投资对电子商务行业的关注和研究持续了很久,也有过一些投资,比如,凡客诚品。     

基于RDF的学术资源整合模型

论文之类的学术资源可以抽象为知识库,在对论文资源库进行特点分析后可以发现,可以在传统数据格式的基础上容易地利用RDF描述关于网络对象(论文资源)的简单陈述句,利用OWL语言创作论文资源本体,给出相应的查询和逻辑推理机制,最终部署出具有新一代网络特征--语义Web的学术资源知识发现系统,将极大地方便用户的查询和组织者的管理。     

技术撬动营销:重塑网络广告生存法则

要实现广告的精准投放,除了能够精确识别用户需求之外,还需要从海量的信息中加以选择,实现精准匹配。这个过程需要超强的计算能力,云计算技术大有用武之地。     

基于条件随机场的图像语义分割

本文研究了一种基于CRF的判别模型来学习不同类别标签的后验条件概率分布,并通过最大化该后验概率来得到最佳标签。CRF能量函数纹理模块利用形状滤波器来描述图像的底层纹理特征以及基于周围像素纹理特征的上下文信息;采用Joint-boosting算法迭代构造一个强分类器对图像进行初步的标注。在MRSC 21-object class数据集上进行实验来评估我们建立的模型的性能。实验结果表明,该模型基于像素点的分割精度能达到71.6%,在识别准确率以及分割效果方面,具有较强的竞争力。     

基于内容的静态语义概念视频检索方法研究

本文针对互联网视频检索技术的发展,阐述了目前主流视频搜索引擎的技术现状,分析了互联网视频检索的关键技术,特别是对于视频特征的提取技术。本文的创新点是提出了一种通用的基于内容的静态语义视频检索方法,该方法可以弥补基于文本视频检索的有关不足,并且在TRECVID的视频概念检索数据的静态语义概念中得到验证,运行稳定。     

一种基于知网的句子相似度计算方法

句子相似度是衡量文档相似度的基础,在自然语言处理领域中有着非常重要的作用。目前的句子相似度计算方法忽略了句子的结构对相似度的影响。本文在分析已有研究工作的基础上,提出了一种改进的句子相似度计算方法。依据知网对"实体概念"的描述,构造出义原的语义层次树,由各个义原在树中的相对位置,计算出义原之间的相似度。对三种义原加权求和得到词语之间的语义相似度。综合句子的表层相似度和句子的词语语义以及词语的相对位置关系,得到句子的整体相似度。实验表明,在同等的测试条件下,本文所提出的句子相似度计算方法在相似度比较上更符合人的直观感觉。     

基于描述逻辑的OntoUML模型的形式化表示

将形式本体理论应用于UML语言的改进是UML的形式化研究的主要方法之一,其中On-toUML是一个概念上完整、语义上清晰和更具本体意义的UML版本。虽然OntoUML基于本体对UML进行了扩充,提供了更为丰富,更能表达现实世界语义的建模原语,但其表达方式不利于在信息系统的设计与开发中应用。本文基于描述逻辑对OntoUML中的关键建模原语及其关系给出了SHIQ形式化表示方法,并进行了实例研究。该方法表达精练、语义清晰,不仅能够表达逻辑清晰的模型,而且保证模型能够正确反映领域事实。这种形式化方法为信息系统概念建模方法提供了理论和应用支撑,在一定程度上推动了OntoUML更为广泛的应用。     

基于用户兴趣偏好的网络文档检索

本文提出了一种基于用户兴趣偏好的网络文档检索策略。用户长期浏览网页的过程中搜集用户的兴趣偏好特征值,并将表达用户偏好的关键词按序排列,以语义关联度为标准对每次搜索引擎的网页排序结果进行重排,并在此过程中充分考虑用户偏好信息的保护。用户兴趣偏好特征值通过用户的浏览反馈行为对自身进行动态修改,使其不断捕获变化着的用户兴趣热点。实验表明,基于用户兴趣偏好的网络文档检索策略较传统的文档检索在召回率、准确率等性能指标上有所提高。     

一种对称非均匀细分曲面算法

为了得到能更好应用于CAD系统的细分曲面造型方法,提出一种基于B-样条的对称非均匀细分算法,其中的思想和均匀Lane-Riesenfeld节点插入算法相似。基于B-样条的节点插入算法,以Blossoming为工具,计算出细分后的新控制顶点。细分后得到的极限曲面由张量积样条曲面组成,在奇异点达到2C连续。与传统的细分曲面算法相比,该细分曲面算法具有良好的局部支撑性,大大降低了算法的复杂度,而且该算法是对称的,不用考虑定向问题。     

金字塔原型对齐的轻量级小样本语义分割网络

小样本图像语义分割任务是计算机视觉领域一个有挑战性的问题,其目标是利用现有一张或几张带有密集分割注释的图片来预测未见类图像的分割掩码.针对该任务,提出了一个基于金字塔原型对齐的轻量级小样本图像语义分割网络.首先,该网络在MobileNetV2网络的深度可分离卷积和逆残差结构基础上,通过金字塔池化模块进行提取特征,保持高维度和低维度的信息,获得不同尺度的特征.同时通过在支持集原型和查询集之间进行相互对齐,使得网络能够从支持集中学到更多的信息,充分利用支持集的信息进行反馈.基于PASCAL-5i数据集的大量实验结果表明,提出的网络结构的均值在1-way 1-shot和1-way 5-shot上分别为49.5％和56.6％,与先进的主流小样本语义分割网络PANet相比分别对应提高了1.4％和0.9％,网络参数量为3.0 MB,相比PANet减小了11.7 MB,同时浮点计算量显著减少,证明了该网络在小样本图像语义分割中的有效性和高效性.