大型超高层项目BIM技术应用的POPi数字化集成框架研究 ——以苏州中南中心为例

本论文基于VDC/BIM的产品—组织—流程研究模型,增加软硬件的基础设施这一核心要素提出了POPi数字化集成框架.并针对大型超高层项目BIM应用及软件多样性和跨组织任务互依性的实践特征论述了POPi框架的要素模型和相应关系.论文结合苏州中南中心项目从实践的角度分析了POPi框架的四个核心要素模型,并基于要素模型分析了项...     

面向俄乌冲突的时序知识图谱推理系统设计与实现

提出了一种面向俄乌冲突的时序知识图谱推理方法,该方法基于进化图演变的思路,将历史事件和相关知识构建成一个时序知识图谱,并通过对知识图谱中节点和边的演化过程进行建模,实现了对未来事件的预测和分析。具体而言,首先利用自然语言处理技术对公开的新闻报道、社交媒体信息等进行爬取和处理,提取关键词和时间信息,并将其转换为结构化数据。然后,利用这些数据构建起一个时序知识图谱,其中每个节点表示一个事件或概念,每条边表示它们之间的关系。其次,通过基于进化图演变的算法对知识图谱建模,从而能够模拟节点和边在不同时间段内的演化特征。最后,通过在俄乌冲突数据集上构建推理系统,实验结果表明该模型与系统设计具有良好的效果和应用前景。     

基于大模型的事件抽取技术及军事应用思考

事件抽取旨在从非结构化文本中抽取出结构化事件信息,以便清晰、方便、直观地掌握并利用相关的关键信息。传统机器学习方法依赖于特征工程,利用人工构建的特征来进行事件抽取。而基于深度学习的方法利用CNN、RNN、GNN等深层神经网络通过提取重要特征来展开,但其依赖于大量的标注数据。近年来,研究者开始利用基于Transformer架构的大规模语言模型如BERT、GPT等采用预训练+微调范式来进行事件抽取并取得显著成效。而最近推出的大模型ChatGPT采用预训练+提示学习范式在自然语言处理领域取得显著成效,可以实现高效准确地抽取出关键的事件信息,将其应用到军事领域会产生重大影响。     

炮射投掷式通信干扰机作战效能评估

针对炮射投掷式通信干扰机的作战对象,结合工作波段分别计算了单部悬浮式和落地式干扰机的压制区域,并对干扰机的空域覆盖进行了计算机仿真和分析,对投掷式通信干扰机作战运用有一定的指导意义。     

D-LDA：一种分布式单向时延测量方法

为了测量数据中心网络的单向时延,针对数据中心网络高带宽低延迟的特点,提出了分布式有损差分聚合( Dis-tributed Lossy Difference Aggregator,D-LDA)测量方法。该方法在有损差分聚合算法的基础上,能够测量网络中任意端到端的单向时延,并且增强了对大数据量报文的处理能力,且架构灵活,扩展性好。开发了实际的测量系统进行实验,系统采用FourInOne分布式框架和基于Java的B/S架构。测试结果显示该方法计算效率高,CPU占用率低,占用带宽小,可以广泛地用于数据中心网络进行性能监测。     

基于机器阅读理解的事件检测方法

为提高事件检测任务的性能,将该任务重定义为一种提示范式,该范式使用问答对的形式将事件检测转化为机器阅读问题。同时,设计了一种名为WLBert-BiGRU的学习模型对问答对中的事件触发词进行预测,该模型使用Weight-Layers策略丰富Bert模型的语义表征能力,并使用双向门控循环单元神经网络（Bi-GRU）方法强化模型对事件触发词的识别能力。在ACE 2005数据集上的实验结果表明,本文方法在事件触发词识别和分类上的F1指标分别达到了78.1%和75.1%,较现有的工作平均提高了4.18%和4.3%。     

耗能减震层对框架-核心筒结构的减震效果及其影响分析

本文分析了加强层和3种不同耗能减震层对框架-核心筒结构的减震效果,以顶点位移为目标对单个粘滞耗能减震层的最佳布置位置进行了研究,并分析了粘滞环带耗能构件对结构性能的影响。分析结果表明,耗能减震层比加强层更能有效地控制结构的地震反应;单个耗能减震层宜布置在结构的中部0.5H~0.6H处;粘滞环带耗能构件能有效减小结构的位移和内力。     

脚本事件预测：方法、评测与挑战

相较于问答等经典的自然语言处理任务,脚本事件预测并未受到广泛关注。脚本事件预测旨在通过给定的上下文事件对未来事件进行准确预测,进而为后续可能发生的事件作出相应部署。为此,其研究具有重要意义,需要进行归纳与总结。针对脚本事件预测任务,首先给出脚本事件预测的基本概念;然后,梳理分析了事件表征中论元构成和事件表示学习两个子任务,其中事件表示学习从嵌入编码和语义增强两个方面叙述;接着,又以脚本建模方法为主线,从事件对、事件链、事件图以及结合型建模四个角度对其进行总结;并且,对现有模型进行测试,分析各类模型效果;最后,总结当前研究存在的问题,并展望未来可能的研究方向。     

基于核心句的端到端事件共指消解

大多数先前的事件共指消解模型都属于成对相似度模型，通过编码两个事件提及的表示并计算相似度来判断是否共指。但是，当两个事件提及在文档内出现的位置接近时，编码其中一个事件提及的上下文表示会引入另一事件的信息，从而降低模型的性能。针对此问题，提出了一种基于核心句的端到端事件共指消解模型(End-to-end Event Coreference Resolution Based on Core Sentence, ECR-CS),该模型自动抽取事件信息并按照预先设置好的模板为每个事件提及构造核心句，利用核心句的表示代替事件提及的表示。由于核心句中只包含单个事件的信息，因此所提模型可以在编码事件表示时消除其他事件信息的干扰。此外，受到事件信息抽取工具的性能限制，构造的核心句可能会丢失事件的部分重要信息，提出利用事件在文档中的上下文表示来进行出弥补。所提模型引入了一种门控机制，将上下文嵌入向量分解为分别与核心句嵌入向量平行和正交的两个分量，平行分量可以认为是与核心句信息维度相同的信息，正交分量则是核心句中不包含的新信息。通过上下文信息和核心句信息的相关度，控制正交分量中被用来补充核心句中缺失的重要...     

基于MpBERT-BiGRU的中文知识图谱补全

知识补全是提高知识图谱质量的关键技术,为了更好地利用中文知识图谱,该文对中文知识图谱补全进行研究。针对大多数研究聚焦于英文数据集,缺少中文知识补全数据集的情况,在已有数据集的基础上,该文构建了中文UMLS+ownthink数据集。现有知识图谱补全方法大多忽视BERT模型表征能力不足、位置信息学习能力弱的问题,且未考虑中文文本特征复杂、语序依赖性强的特点,因此提出一种名为MpBERT-BiGRU的中文知识图谱补全模型,利用平均池化策略有效缓解BERT模型表征能力弱的问题,并通过BiGRU网络强化特征信息,提高位置信息学习能力;同时将三元组转化为文本序列,结合实体描述信息作为模型的输入,利用背景知识丰富实体信息。链接预测实验结果表明,该方法在平均排名(Mean Rank, MR)指标上相比传统方法提高10.39,前10命中率(Hit@10)指标提高4.63%,验证了模型在中文语料库上的有效性。