基于用户兴趣的多属性效用算法的研究

针对用户兴趣提供个性化的搜索服务一直是搜索引擎系统追求的目标。提出了基于用户兴趣的多属性效用算法,该算法使用效用性算法并结合了实体多个属性偏好因子和遗忘因子,更好地表达用户的兴趣偏好并实现动态更新,提高检索的准确性,实现搜索过程的个性化服务。     

基于Web的远程数据库管理探究

随着网络技术的发展,基于Web设计应用基础上,对于远程数据库维护及访问相关技术进行分析,采用SQL Server 2008数据库为例进行说明,文章针对Web远程数据库的管理,提出基于Web方式的远程数据库管理框架。     

模糊综合评价法在瓦斯突出预警系统中的应用

煤与瓦斯突出造成的安全事故时有发生,定性的评价方法难以满足瓦斯突出预警的需求,因此将模糊评价法与层次分析法结合构建模糊综合评价体系对瓦斯突出进行预警。分析瓦斯突出的影响因素,构建瓦斯突出预警指标体系,对各指标进行分级,构建其隶属度函数,确定模糊综合评价的分析流程。以1~#矿井部分煤层为例,计算瓦斯危险性,计算结果显示：总体危险性为严重,物理特性为严重,赋存特性为一般,开采特性为严重。     

面向推荐系统数据安全的无证书门限解密方案

推荐系统是解决信息过载问题和满足用户个性化需求的有效途径之一。然而,由于推荐系统需要用户提供不同程度的个性化信息来提升推荐的准确度,因此各种数据的安全问题成为阻碍其发展的重要因素。在基于分布式体系结构的推荐系统中,门限解密技术是抵抗数据安全攻击、保护推荐系统用户隐私的有效方法之一。在无证书公钥密码体制下研究门限解密技术,既避免了传统公钥密码体制中昂贵的证书管理问题,又解决了基于身份密钥体制中固有的密钥托管问题。给出了无证书门限解密系统的形式化定义与安全模型,构建了一个新的无证书门限解密方案,并在随机预言模型下证明了该方案在适应性选择密文攻击下是安全的。与已有的方案相比,该方案的计算代价更小,传输速率更高,主密钥和公钥长度更短,用户之间需要传播的信息量更小。所提方案既能提高推荐系统的信息传输效率,又能有效地保证分布式推荐系统中用户隐私的安全性和可靠性。     

基于多任务学习的多模态命名实体识别方法

针对传统多模态命名实体识别方法无法有效融合图文模态信息且不能区分易混淆实体等问题，提出一种基于多任务学习的多模态命名实体识别方法，通过对比融合辅助任务促进图文模态信息的融合，通过实体聚类辅助任务提升模型对易混淆实体的判断能力。利用BERT预训练语言模型和ResNet模型分别对原始文本和图片进行特征映射获得相应的特征向量，并利用跨模态Transformer结构融合图文模态信息。在多模态命名实体识别任务基础上，增加对比融合辅助任务促进图文模态信息融合，增加实体聚类辅助任务学习实体类别之间的差异，提升模型对易混淆实体的区分能力。最后，利用条件随机场层学习上下文转移概率，并输出最优预测结果。实验结果显示，在国际公开数据集Twitter-2017上，所提方法相较于基线方法取得了更高的准确率、召回率和F1值，其中F1值可达85.59%，表明对比融合辅助任务和实体聚类辅助任务能够促进模型对实体的识别效果。