结合句法增强与图注意力网络的方面级情感分类

方面级情感分类旨在识别给定特定方面文本的情感极性,在本领域中,将图神经网络与句法依赖解析相结合是当下热门的研究方向之一,此类方法通过句法解析捕捉句子中词与词之间的关系,依此构建图结构,输入图神经网络中得到情感极性。若句法解析器出现解析错误,将会对以图为基础的图神经网络模型产生巨大影响。为了增强解析器生成的句法依赖树的解析结果,文中提出了一种句法增强图注意力网络,该网络通过融合多个解析器的解析结果,提高句法依赖解析精度,得到更精准的依赖关系句法图;在图注意力网络中使用密集连接机制捕获更丰富的特征,更适配于增强后的句法图,同时引入方面注意力机制捕获方面语义特征。实验结果验证了句法增强方法的有效性,在3个基准数据集上的分类准确度都有所提高,在方面级情感分析领域具有较好的表现。

一种新颖的医学图像建模及相似性搜索方法

医学图像采集和存储技术的发展导致了相关数据的飞速增长,这些医学图像数据能够有效地辅助医生进行精确的诊断,但由于医学图像在相似性搜索方面要求图像匹配的精度远高于普通图像,所以目前仍没有一种有效的方法解决医学图像的相似性搜索问题.文中首先提出一种不确定定点图模型(ULG,Uncertain Locationgraph),并针对脑部CT图像的固有特点,提出一种基于脑部CT图像纹理的从图像到不确定定点图的建模方法,继而提出一种基于不确定定点图的相似性搜索算法,并通过一种有效的索引结构,有效地减少了无意义的查询处理,降低了搜索时间.实验结果表明,该方法可以更精确地找出具有相似纹理的脑部CT图像.

基于领域知识指导的医学图像关联规则挖掘

医学图像关联规则的挖掘是面向特殊领域图像挖掘的重要组成部分.由于存在很多技术方面的问题,使得这个方向的研究非常具有挑战性.基于医学图像和医学图像中具有诊断意义的像素区域(ROI)扩展了关联规则的概念,提出了两个在领域知识指导下的算法,用于发现医学图像中的有效的频繁规则和关联规则.描述了如何将领域知识融入到算法中以提高效率和有效性,在实验中得到了一些比较有意义的结果.

领域知识驱动的医学图像关联模式挖掘算法

根据医学图像领域的相关知识,提出了关键像素区域ROI的概念及其特征属性针对ROI聚类后的图像数据进行挖掘,提出了一种基于对FP-GROWTH算法改进的Diff-FP-GROWTH算法。最后,给出了该算法的实例分析和该算法的实际研究意义。

基于特征学习的广告点击率预估技术研究

搜索广告中的点击率预估问题在信息检索和机器学习等领域一直是研究的热点.目前通过设计特征提取方案获得特征和针对用户点击行为建模等方法,并没有充分考虑广告数据具有的高维稀疏性、特征之间存在高度非线性关联的特点,致使信息利用不充分.为了降低数据稀疏性和充分挖掘广告数据中隐藏的规律,该文提出了面向广告数据的稀疏特征学习方法.该方法基于张量分解实现特征降维,并充分利用深度学习技术刻画数据中的非线性关联,以解决高维稀疏广告数据的特征学习问题,实验结果验证了文中提出的方法能够有效地提升广告点击率的预估精度,达到了预期效果.

基于数据源依赖关系的信息评价方法研究

当前很多的数据管理应用都需要从多个数据源集成数据,每个数据源都会提供一组值,并且不同的数据源常常提供相互冲突的数据值.为了提供给用户高质量的数据值,关键是数据集成系统能够解决数据冲突问题,提取出正确的数据值.文中对已有的真值发现算法进行了分析与总结,通过考虑处理同一个值的不同表现形式和改进的选票算法,作者对现有方法给出了改进,改进后的方法可以更有效地在众多冲突数据中找出正确的数据值.

带有罚函数的无线传感器网络粒子群定位算法

无线传感器网络是一种没有基础设施的无线自组织网络,它在军事、环境检测和智能家居等诸多领域具有广泛的应用.在无线传感器网络的绝大多数应用中,只有当节点和被感知的物体的位置是可知的,节点获得的信息才有意义.因此,节点定位技术是无线传感器网络的关键技术之一.近年来,粒子群优化算法(particle swarm optimization,PSO)等智能算法被用于无线传感器网络节点定位技术的研究.在粒子群优化算法定位技术研究的基础上,提出的带有罚函数的无线传感器网络粒子群定位算法(particle swarm optimization with penalty function,PSOPF)利用罚函数来加快算法的收敛速度和提高定位算法的定位精度.实验结果表明,和原有的PSO定位算法相比较,PSOPF算法具有更高的定位精度和更快的收敛速度.

一种运用图熵的医学图像聚类方法

近些年,各种医学影像技术被广泛应用于临床诊断中.由于医院每天都会产生大量的医学图像,如何利用好这些医学图像,对其进行有效聚类,以此来辅助医生对疾病进行诊断,是当前医学图像数据挖掘领域所研究的热点问题之一.本文提出一种医学图像聚类方法,首先,将医学图像集抽象成一个带权无向完全图,之后对其进行稀疏化剪枝处理,以此来对医学图像之间进行更好的相似性描述,最后,又提出了一种运用图熵的带权无向图聚类方法,通过此方法来实现对医学图像的聚类.实验结果表明,本文所提出的聚类方法能够有效对医学图像进行聚类,并在时间损耗及聚类结果等方面表现良好.

基于社会网络的团队生成方法研究

如何利用社会网络信息来寻找一个合作高效、高质量的团队,已成为热门的研究话题.但现有团队生成问题中对个体拥有技能的度量大多都采用0-1方式,而在实际应用中如何界定个体是否拥有该技能的方法会在很大程度上影响团队完成任务的效率.另外在目前的基于社会网络的团队生成方法研究中,计算个体间关系强度时只考虑个体间曾经合作任务的数目,并没有深入挖掘社会网络条件下个体间的社会关系类别以及个体自身的其他属性,这些因素很大程度上也会影响个体间的社会关系,进而影响个体间的团队合作.针对以上问题,该文首先给出团队生成问题的具体定义和相关概念,给出技能贡献度的定义,并利用社会网络个体间的关系类别和个体间对应社会属性相似度引入一种关系模型来进一步量化团队成员个体间的关系强度;然后根据团队的不同形式分别进行了无领导者团队生成方法的研究和有领导者团队生成方法的研究,并分别提出了MCSTFA算法(Minimum Covering Steiner-based Team Forming Algorithm)和MSCTFA算法(Minimum Set Covering-based Team Forming Algorithm)来寻找最佳无领导者团队以及提出MLDTFA算法(Minimum Leader Distance based Team Forming Algorithm)来寻找最佳领导者和最佳团队.最后,利用DBLP数据集设计和实现实验以验证上述所有方法的可行性和有效性,并从团队合作代价、团队成员数量、团队连通性以及社会网络影响因素对算法的影响对比结果等方面进行比较和分析,实验结果验证了文中所提算法的可行性和高效性.

结构-属性平衡图节点相似度测量算法

节点相似度是图聚类算法的重要基础,在基于结构-属性图聚类现有方法中,由于传统图模型的限制,需要多次矩阵相乘来调整属性边的权值,算法执行效率低。为解决这一问题,提出了结构-属性平衡图的概念,并采用随机游走模型策略统一度量结构-属性平衡图GB中顶点间的相似度。与现有方法相比,该方法不但能测量直接相连的顶点之间的相似度,还可测量不直接相连而存在不同长度的路径的顶点之间的相似度,且没有增加原相似度矩阵的规模,节省了大量存储空间,提高了算法执行效率。

基于结构-属性的时空对象图聚类算法的研究

在现有的图聚类方法中,大多数聚类方法只关注图的拓扑结构或节点属性而忽略另一方面.为解决这一问题,相关文献中提出了基于图的结构与属性的图聚类方法.但这些聚类方法存在建立的图模型不准确、聚类效果不理想、算法执行效率低等缺点.针对上述图聚类方法中存在的问题,提出了一种基于结构-属性的时空对象图聚类方法(spatio-temporal object graph clustering algorithm based on structure and attribute,STSA).首先提出了属性加权图模型,在此基础上建立了结构-属性的统一度量方法,并采用随机游走模型技术将节点间结构与属性关系转换为相应的相似度矩阵,结合图结构-属性关系及相似度矩阵,采用信息传递算法对图进行聚类,解决了现有图聚类方法中所存在的问题,最后通过实验验证了提出的STSA方法的正确性和有效性.

基于Log-Gabor小波和正交UDP的人脸识别

针对人脸识别中特征提取的小样本问题，对原始的非监督判别映射（UDP）算法进行了改进，提出一种基于Log．Gabor和正交非监督判别映射（OrthogonalUDP）的人脸识别算法——LGouDP算法。此算法首先采用Log．Gabor小波对图像进行滤波来提取高阶统计信息，然后提出最大化非局部散度和局部散度的权值差和加入基向量正交约束的目标函数，对该目标函数的求解有效地避免了小样本问题，而且正交的基向量使得算法更利于保留人脸非线性子流形空间与距离有关的结构信息和重构样本。在ORL和PIE库上的人脸识别实验证明了提出算法的有效性。

一种针对社会化导购的橙领推荐方法研究

社交网络和网络购物的发展普及导致了社会化导购的产生和发展,也催生了通过在社交网络中推荐产品从而获取利润的"橙领".通过对橙领相关技术的研究,能更透彻地了解基于社会网络的产品营销机制以及探索社会化导购的底层模式.目前国内外少有这方面研究.因此,文中针对橙领的自身定位问题和面向用户或商家的橙领推荐问题,提出一种针对社会化导购的橙领推荐方法,主要包括3个算法:橙领定位算法、面向用户的橙领推荐算法OCRA4U(Orange Collar Recommending Algorithm for User)和面向商家的橙领推荐算法OCRA4S(Orange Collar Recommending Algorithm for Shop).橙领定位算法依据橙领的推荐历史对橙领进行定位特征向量化描述,最终转化为一个聚类问题进行解决.OCRA4U考虑了橙领在社交网络中的影响力和橙领与用户需求的匹配度,得到橙领推荐列表.OCRA4S结合橙领在网络中的影响力以及橙领的历史推荐产品,推荐出最符合商家产品需求的橙领列表.基于新浪微博数据集和DBLP数据集,文中设计并实现了3个相关实验:橙领定位算法实验、橙领推荐实验以及社会化数据影响实验,实验结果验证了所提算法的准确性和可行性.

核正交UDP及其在人脸识别中的应用

针对人脸识别中的特征提取问题,对原始的非监督判别映射(UDP)算法进行了改进,提出一种基于核正交UDP的人脸识别算法.利用核的方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间;在加入基向量正交的约束后,通过能够保持人脸图像局部几何结构的UDP算法作一个线性映射,以求取算法的正交基向量.该算法中,采用核方法可以更好地提取人脸非线性结构特征,正交基向量则可以更好地保留非线性子流形空间与度量结构有关的信息,增强了算法的识别性能.最后,通过在ORL和PIE人脸库上的人脸识别实验验证了文中算法的有效性.

面向内容和结构的关键字图查询方法

为了在数据图上查找能够包含所有或部分查询关键字的子图,提出一种关键字图查询方法.首先通过Page Rank和查询关键字所处位置这2个因素对语言模型进行完善,克服搜索结果时只考虑距离关系而未考虑节点和查询关键字之间相似性的不足;其次提出节点搜索算法以及结果生成算法,为用户返回与查询相关且节点之间结构更加紧密的结果子图,将任意2个关键字节点之间最相关的连接关系表现出来.实验结果表明,该方法能够为用户返回更符合查询需求的结果.

一种基于概率模型的运动趋势查询处理

运动趋势的准确预测是实现移动对象数据库中各种预测性时空查询处理的基础.提出了一种基于概率模型的运动趋势查询及处理方法.该方法将移动对象未来可能出现的位置定义为一种随机变量.运动趋势查询的处理就是检索随机变量的概率密度函数集合并进行概率计算的过程.为了获得较为准确的概率密度函数集合,提出一种通过对大量历史轨迹随机抽样来估计概率密度函数的方法.还设计了一种能够有效存储概率密度函数和提高运动趋势查询处理效率的索引结构.实验结果表明,提出的方法能够有效支持运动趋势查询的处理并提高对移动对象运动趋势预测的准确性.

研究生组合数学课程思政建设与实践

目前研究生课程思政强调政治认同和科技强国的较多,通过思政元素提高课程趣味性的实践较少。针对上述问题,深入探究研究生组合数学课程的思政实施方法,提出发展历史与现实应用相结合的课程思政元素挖掘和融入方法,并给出了若干实际案例。教学实践结果表明,融入课程思政不仅能潜移默化地对学生进行思想引领,还能增加课程趣味性,在一定程度上克服了数学的抽象性给学生造成的心理抵触,从而更好地达到知识传授、能力培养和价值塑造三位一体的育人效果。

基于级联深度的主动实时乐观并发控制协议

主动实时数据库因结合了时间限制与主动机制而使系统事务的并发控制变得更为复杂。主动规则的引入使事务触发新的事务且在执行上具有多种耦合方式,传统的实时并发控制策略无法对具有复杂执行模式的事务进行有效调度,而基于主动数据库的并发控制机制也没有考虑事务的实时性问题。通过对事务不同耦合方式的实时要求及事务间冲突关系进行分析,提出了新的主动实时数据库乐观并发控制方法,对不同事务级联深度进行评估,结合事务执行的时间信息对冲突事务进行动态调整串行化顺序。理论分析与实验证明,能在保证事务可串行性的同时降低了不必要事务重启个数,更好地满足系统的实时性。

基于多模态特征的医学图像聚类方法

现有的图像特征表达大多使用低层语义特征(如颜色、纹理等)细粒度地比较图像的相似度,然而医生就诊更多依据图像在局部区域高层语义特征(如是否病变、病变类型等)的差异粗粒度地判断图像的相似程度。针对现有的医学图像特征表达忽略了医学图像特有的高层语义特征,致使医学图像聚类效果不佳的问题,提出了一种融合医学图像纹理特征和特有形态学特征的多模态特征医学图像聚类方法。首先一方面提出使用纹理特征融合方法表示医学图像全局底层语义特征;另一方面提出使用图像分割的感兴趣区域(region of interest,ROI)的形态学描述作为形态学特征表示医学图像的局部高层语义信息。其次结合提出的相似性度量方法分别计算脑CT图像两类特征间的相似度。最后利用多核学习方法学习特征融合权重,并在多核谱聚类实验上验证了该方法的有效性。

基于对称性理论的医学图像多阶段分类算法

利用影像归档和通信系统收集的大量医学CT图像被广泛应用于临床诊断,从中提取的ROI区域和ROI区域的特征可以用来对医学CT图像进行分类,从而辅助医生提高诊断精度.医学图像的成像结果显示一张医学图像关于中垂线两侧近似对称.基于这一脑部医学领域知识的指导,文中提出了基于对称性理论的医学图像多阶段分类(Multi-Stage Classification,MSC)方法.首先,文中提出了弱对称性和强对称性的定义,从不同粒度对医学图像的对称性进行了描述;然后,给出了基于灰度直方图相交性的弱对称性判定算法,对医学图像在较粗粒度上进行了第1阶段的分类;接着,提出了基于点对称的强对称性判定算法,结合弱对称性判定算法,对第1阶段分类结果为异常的图像进行了更细粒度的第2阶段分类,定位了病变区域的位置;最后,利用对病变区域所提取的特征,对病变区域进行了第3阶段的分类,以达到辅助医生诊断的效果.实验结果表明,基于对称性理论的医学图像多阶段分类方法提高了医学图像分类的准确度,同时减少了医生诊断决策的时间.