基于平滑图掩码编码器的顺序推荐模型

针对现有顺序推荐模型在处理推荐任务时由于数据集标签稀缺和用户交互数据噪声导致性能降低的问题,提出基于平滑图掩码编码器的顺序推荐模型(Smoothing Graph Masked Encoder Recommender System,SGMERec).首先,设计数据平滑编码器处理数据,提升数据质量,降低极端值和数据噪声的负面影响.然后,设计图掩码编码器,自适应提取全局项目的转换信息,构造关系图帮助模型补全缺失的标签数据,提高模型对于标签稀缺问题的应对能力.最后,运用批标准化,归一化每个神经网络层的输入分布,确保每层输入的分布相对稳定,降低用户序列的稀缺标签比例.在3个真实数据集上的实验表明,SGMERec具有一定的性能提升.

公共投资项目结算审核中材料(设备)价格审核中常见的问题及建议

造价结算审核旨在确保工程费用的准确性、合理性和透明度。通过细致的核实、评估和审核,这一过程能够及时发现并纠正工程费用中的错误,有效预防违规行为的发生。其中,材料(设备)价格的审核尤为关键,其价格确定直接影响到项目成本的控制和预算的准确性。本文重点对无价材料(设备)单价的确认以及签证中材料补差问题进行了阐述, 并提出了相应的建议, 希望提高公共投资项目结算审核的准确性和效率。

基于BERT的双特征融合注意力的方面情感分析模型

方面情感分析旨在预测句子或文档中一个特定方面的情感极性,现阶段大部分的研究都是使用注意力机制对上下文进行建模。然而,目前情感分类模型在使用BERT模型计算表征之间的依赖关系抽取特征时,大多未根据不同的语境背景考虑上下文信息,导致建模后的特征缺乏上下文的语境信息。同时,方面词的重要性未能得到充分的重视而影响模型整体分类的性能。针对上述问题,提出双特征融合注意力方面情感分析模型(DFLGA-BERT),分别设计了局部与全局的特征抽取模块,充分捕捉方面词和上下文的语义关联。并将一种改进的“准”注意力添加到DFLGA-BERT的全局特征抽取器中,使模型学习在注意力的融合中使用减性注意力以削弱噪声产生的负面影响。基于条件层规泛化(CLN)设计了局部特征和全局特征的特征融合结构来更好地融合局部和全局特征。在SentiHood和SemEval 2014 Task 4数据集上进行了实验,实验结果表明,与基线模型相比该模型在融入了上下文语境特征后取得了较明显的性能提升。

自监督混合图神经网络的会话推荐模型

基于会话的推荐旨在利用匿名会话预测用户行为。现有基于图神经网络(GNN)的会话推荐算法大多仅针对当前会话提取用户偏好,却忽略了来自其他会话的高阶多元关系从而影响推荐精度。此外,由于会话推荐所采用的短时交互序列包含的信息非常有限,使其更容易受到数据稀疏性的影响。针对上述问题,提出了自监督混合图神经网络会话推荐模型(SHGN)。该模型首先通过将原始数据构建为三个视图来描述会话与物品关系,然后通过多头图注意力网络捕获会话内部物品的低阶转换信息,提出了残差图卷积网络捕获物品和会话的高阶转换信息;最后融合自监督学习(SSL)作为辅助任务,通过最大化不同通道学习到的会话嵌入的互信息,对原始数据进行数据增强从而提升推荐性能。为了验证该方法的有效性,在Tmall、Diginetica、Nowplaying、Yoochoose四个基准数据集上与SR-GNN、GCE-GNN、DHCN等主流基线模型进行了对比实验,实验结果在P@20、MRR@20等性能指标上均取得了一定提升。

双关系预测与特征融合的实体关系抽取模型

现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and feature fusion,DRPFF),该模型使用预训练的基于Transformer的双向编码表示模型(bidirectional encoder representation from transformers,BERT)对文本进行编码,并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元(gated linear unit,GLU)和条件层规范化(conditional layer normalization,CLN)组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明,该模型相较于基线方法取得了更好的效果。

基于类比学习的数学应用题求解模型

目前基于类比学习的数学应用题(MWP)求解的研究多从语义相似度或浅层逻辑来筛选样本,存在样本匹配度不足以及样本选取局限于数据集的问题。针对以上问题,提出一种新的基于类比学习的数学应用题求解(MWP-AL)模型。该模型主要从2个角度对数学应用题进行类比学习。从文本编码的角度进行样本筛选,从余弦相似度、树解顶节点以及树深度3个维度对样本进行限制。该方法从语义层面以及深层逻辑方面对样本进行选取,得到的样本与原题的匹配度更高。从解方程的角度进行样本构建,从方程本身出发,针对不同类型的方程在逻辑方面对其进行变体从而构建样本。该方法不局限于从数据集中选取样本,具有较强的泛化性。通过计算交叉熵损失函数对这2种样本进行类比学习。实验结果表明,在2个基线模型上加入MWP-AL模型后,其在英文数据集Math QA和中文数据集Math23K上的准确率分别提升了1.8、2.5和2.8、1.3个百分点,同时较其他基线模型均有所提升。

结合自对比图神经网络与双预测器的会话推荐模型

基于会话的推荐旨在利用短时匿名会话预测用户行为.现有结合图神经网络与对比学习的会话推荐模型大多采用联合优化交叉熵损失与对比学习损失的方法,但二者所起作用相似,同时需要构建大量复杂的正负样本,为模型带来负担.此外,简单的线性预测器不能较好地预测带有用户随机行为的数据.针对上述问题,文中提出结合自对比图神经网络与双预测器的会话推荐模型(Session-Based Recommendation Model with Self Contrastive Graph Neural Network and Dual Predictor,SCGNN).首先,使用双视图建模原始会话,采用改进的图神经网络学习物品嵌入与会话嵌入,并通过自对比学习优化物品表示.然后,提出用户行为感知因子,应对用户随机行为带来的影响.最后,采用决策森林预测器与线性预测器对物品进行预测,并提出软标签生成策略,通过协同过滤与当前会话类似的历史会话以辅助预测.在Tmall、Diginetica、Nowplaying数据集上的实验表明文中模型的有效性.

基于对比学习的多视角特征融合方面级情感分析模型

当前方面级情感分析方法大多通过依赖树和注意力机制提取情感特征,容易受上下文无关信息的噪声干扰,往往忽略对句子全局情感特征的建模,难以处理隐含表达情感的句子.为了解决该问题,文中提出基于对比学习的多视角特征融合方面级情感分析模型(Contrastive Learning Based Multi-view Feature Fusion Model for Aspect-Based Sentiment Analysis,CLMVFF).首先,使用图卷积网络编码依赖图、成分图和语义图中的信息,并在每个图中构建全局情感节点,学习全局情感特征,同时引入外部知识嵌入,丰富情感特征.然后,通过对比学习减少噪声的负面影响,并结合相似度分离增强情感特征.最后,融合依赖图表示、成分图表示、语义图表示和外部知识嵌入,得到多视角特征增强表示.在3个数据集上的实验表明,CLMVFF的性能取得一定提升.

自适应并行机制的改进蚁群算法

针对蚁群算法存在停滞现象的缺点,以及如何有效提高蚂蚁代理的搜索能力问题,提出了一种具有自适应并行机制的选择和搜索策略。该策略通过将蚁群划分为若干个子群,不同子群的蚂蚁释放不同类型的信息素,引入了吸引因子和排斥因子,实现了一种多蚁群并行选择策略,以加强其全局搜索能力。以对称旅行商问题(traveling salesman problem,TSP)测试集为对象,将改进算法与现有蚁群优化算法进行了测试比较。实验结果表明,改进后的算法具有优良的全局优化能力,有效防止了停滞现象。

生物特征识别技术研究进展

生物特征身份鉴别方法是根据人体各器官或个人行为之间的差异来鉴别个人身份。随着计算机技术的迅速发展,生物特征鉴别技术将在军事和人们的日常生活等各个方面得到广泛的应用。文章介绍了生物特征的概念及基于生物特征识别的身份鉴别技术,对不同的识别方法的原理、特征做了较详细的分析与评价。对生物特征身份鉴别技术的应用前景和发展方向也做了分析。

基于多蚁群的并行ACO算法

通过改变蚁群优化(ACO)算法行为,提出一种新的ACO并行化策略——并行多蚁群ACO算法。针对蚁群算法存在停滞现象的缺点,改进选择策略,实现具有自适应并行机制的选择和搜索策略,以加强其全局搜索能力。并行处理采用数据并行的手段,能减少处理器间的通信时间并获得更好的解。以对称TSP测试集为对象进行比较实验,结果表明,该算法相对于串行算法及现有的并行算法具有一定的优势。

融合社交关系和标签信息的混合新闻推荐算法

针对传统新闻推荐的数据稀疏性和用户的兴趣爱好快速变化问题,提出了一种融合社交关系和标签信息的混合新闻推荐算法。首先,该算法充分利用社交网络中的社交关系和标签信息;然后使用概率主题模型(latent Dirichlet allocation,LDA)对用户兴趣进行建模;最后采用基于内容与协同过滤相结合的混合推荐算法来完成新闻推荐。实验结果表明,所提算法与已有的推荐算法相比较,在精确度上提升了10.7%、平均倒数排名上(mean reciprocal rank,MRR)提升了4.1%,在归一化折损累计增益(normalized discounted cumulative gain,NDCG)上提升了10%。该算法可在一定程度上提高新闻推荐算法的精度及推荐质量。

融合遗传算法改进的蚁群算法

针对蚁群算法存在停滞现象及收敛速度慢的缺点,提出了一种融合遗传算法改进的蚁群算法,在蚁群算法中引入路径遗传运算。对蚂蚁发现的路径进行染色体编码,通过适应度函数对蚂蚁的路径做适应度评价,进行路径交叉和路径变异运算,设计了新的信息素更新策略。以对称TSP测试集为对象,将改进算法与现有算法进行测试比较。实验结果表明,改进后的算法具有优良的全局优化能力,有效防止了停滞现象。

数字水印技术

对数字水印技术的研究进展进行了较系统的论述 .随着多媒体技术和网络技术的广泛应用 ,对图像、音频、视频等多媒体内容的保护成为迫切需要解决的问题 .数字水印技术作为版权保护的重要手段 ,正得到深入的研究 .重点分析了数字水印的模型、典型算法、攻击方法及其应用 。

负载平衡路由:一种新的ACO路由策略

通过改进ACO算法达到一种能实现通信网络负载平衡的群体智能路由策略。采用的主要方法为:将蚁群划分为若干个子群,不同子群的蚂蚁释放不同类型的信息素。通过不同类型信息素之间的相互制约作用,以及链路负载的测量,提出了三种策略实现负载平衡路由。在模拟网络上进行了不同策略的对比实验,以及与已有的群体智能路由算法的运行测试比较。实验结果表明,本文的路由策略具有较好的效果和一定的优势。

高速以太校园网及网络存储系统的设计与建设

设计了运用高速以太网技术构建的高校宽带多业务网络的平台及基于存储区域网技术的网络存储系统.该网络平台可满足学校对集语音、视频、数据于一体的多业务网络应用需求;基于存储区域网技术的网络存储备份系统可以支持数据中心建设,最终完成大学校园网络和统一软件资源平台的构建,实现统一网络管理、统一软件资源系统.探讨了高校校园网络安全可靠运行的保障手段和简单高效的网络管理方法,并论述了保证端到端服务质量的实施.

融合AntNet与遗传算法的动态网络路由算法

提出了一种新的动态分布式网络路由算法。在AntNet算法中引入了路径遗传运算(GA),提出了新的信息素更新策略。对蚂蚁发现的路径进行染色体编码,并用适应度函数对其进行适应度评价,通过路径交叉和路径变异运算以及种群的不断进化,来提高解的质量。仿真结果表明,所提出的算法能快速收敛,且有效地提高了网络吞吐量、降低了平均延时。

适用于路由算法研究的动态网络仿真系统

合适的网络模拟系统是进行智能路由算法研究的支撑环境。采用基于事件驱动的方法,研究实现一个动态网络路由仿真系统。给出构造网络拓扑、生成流量负载、实现网络协议、展现性能结果的设计过程。实验结果表明,该模型能对网络动态和非精确状态信息进行有效模拟且支持群体智能路由仿真。

竞赛教育与信息技术创新人才培养模式探讨

针对当前创新人才的需求及计算机高等教育的不足之间的矛盾,通过对ACM-ICPC竞赛进行分析,提出了通过竞赛教育可挖掘出具有目标导向式自主学习、开放综合型学习、团队协作式学习、创新人才能力培养等大学生能力和素质的培养模式,阐述了江南大学ICPC近年来的参赛经验。

群体智能路由和负载平衡算法研究进展

针对当前路由算法不能胜任解决网络不断增加的复杂性问题,通过自然生物群体证明的群体智能,在网络路由方面具有非常强大的研究启发,文中对群体智能算法在计算机网络路由和负载平衡方面的理论及应用研究进展进行了较系统的论述,并比较了应用ACO算法解决路由和负载平衡问题的3个主流研究工作;讨论了群体智能路由算法的收敛停滞问题及其最新解决方法;指出了新的研究方向。