基于集合效用边际贡献学习的可解释薪酬预测算法

知识技能对薪酬影响作用视为一种多变量影响下高维元素集合的效用建模问题.深度神经网络为解决复杂问题提供了新的机遇,但针对知识导向的细粒度薪酬预测问题,仍缺乏能够对复杂变量影响下的集合效用进行准确、可解释建模的神经网络结构.为此,提出一种基于边际贡献的增量式集合效用网络(marginal contribution-based incremental set utility network,MCISUN)来拟合元素加入时的效用增量,从而灵活且可解释地建模集合效用.区别于以往基于池化层的排列不变性建模算法,MCISUN构建顺序敏感的中间结果,利用集合的排列不变性实现数据增强,有效提升模型数据效率及泛化性.最后,大规模真实薪酬数据上的实验结果表明所提模型在基于技能的薪酬预测任务上比最先进的（state-of-the-art, SOTA）模型效果提升超过30%.同时,定性实验证明模型能够为技能设置合理的贡献值且发现技能间的关联.     

数字化知识管理理论与应用研究综述

[目的]随着人工智能、大数据和数字化技术的发展,作为提升组织竞争优势的重要手段之一——知识管理展现了数字化的特征.本文为科研人员提供了一个比较全面的数字化知识管理介绍,便于大家进行理论创新研究和应用.[文献范围]本文采用关键词法广泛查阅国内外数字化知识管理的最新研究方向和成果.[方法]本文在阅读大量数字化知识管理文献的...     

EL-Picker:基于集成学习的余震P波初动实时拾取方法

在实时地震监测中,地震P波(primary wave)的初动拾取任务具有至关重要的作用,其有助于地震应急响应的及时实施.虽然此前在该领域已开展了大量的研究,但是如何从地震分布密集并且充满噪声的监测波形中有效地识别出P波仍然是一个具有挑战性的任务.例如对于大地震的余震监测,实践中使用的普遍方法仍依赖于专家辅助标注.本文针...     

一种基于概率主题模型的命名实体链接方法

命名实体链接(named entity linking,简称NEL)是把文档中给定的命名实体链接到知识库中一个无歧义实体的过程,包括同义实体的合并、歧义实体的消歧等.该技术可以提升在线推荐系统、互联网搜索引擎等实际应用的信息过滤能力.然而,实体数量的激增给实体消歧等带来了巨大挑战,使得当前的命名实体链接技术越来越难以满足人们对链接准确率的要求.考虑到文档中的词和实体往往具有不同的语义主题(如“苹果”既能表示水果又可以是某电子品牌),而同一文档中的词与实体应当具有相似的主题,因此提出在语义层面对文档进行建模和实体消歧的思想.基于此设计一种完整的、基于概率主题模型的命名实体链接方法.首先,利用维基百科(Wikipedia)构建知识库;然后,利用概率主题模型将词和命名实体映射到同一个主题空间,并根据实体在主题空间中的位置向量,把给定文本中的命名实体链接到知识库中一个无歧义的命名实体;最后,在真实的数据集上进行大量实验,并与标准方法进行对比.实验结果表明:所提出的框架能够较好地解决了实体歧义问题,取得了更高的实体链接准确度.     

一种基于词序的社会情感演变分析模型

提出了一种基于词序的社会情感演变分析模型(BTMESE),模型通过引入文档中词与词之间的前后关联性,以期有效地揭示时间、文本、情感三种信息之间的潜在联系,进而追踪社会情感演变趋势,进一步提高情感分析的准确率。该模型可应用于情感预测、时间预测等领域。通过在真实世界的数据集上进行验证,结果证明该模型简单有效,能够较好地进行社会情感分析。