基于融合特征ADRMFCC的语音识别方法

针对在复杂噪声环境下语音识别准确率低和鲁棒性差的问题,提出一种基于增减残差Mel倒谱融合特征的语音识别方法.该方法首先利用增减分量法筛选关键语音特征,然后将其映射到Mel域-残差域空间坐标系中生成增减残差Mel倒谱系数,最后将这些融合特征用于训练端到端模型.实验结果表明,该方法在不同噪声类型和信噪比条件下均显著提高了语音识别准确率及性能,在-5 dB低信噪比条件下,语音识别准确率达73.13%,而在其他噪声条件下的平均语音识别准确率达88.67%,充分证明了该方法的有效性和鲁棒性.

基于异常值检测矩阵分解的服务质量预测

基于Qo S感知的Web服务推荐是帮助用户找到高质量服务的解决方案之一.为了准确预测候选服务的QoS值,通常需要收集用户的历史QoS数据.然而,现有的方法大多忽略了历史数据中的异常值会导致预测准确度降低.为了解决这一问题,提出一种基于异常值检测矩阵分解的服务质量预测方法.首先,使用基于K-means的隔离森林算法先对历史QoS数据进行聚类,将历史数据中的异常值剔除;然后,将其用于改进的矩阵分解模型中对未知值进行预测;最后,利用柯西损失来评估观察值与预测值之间的差异.实验采用WSDream数据集进行测试,结果表明,提出的异常值检测模型的响应时间的MAE与RMSE指标平均提高了19.11%和39.59%,吞吐量的MAE与RMSE指标平均提高了9.82%和29.89%,证明所提模型有效改进了预测准确度.

基于带阈值的BPE-dropout多任务学习的端到端语音识别

针对语音识别任务中出现的未登录词问题,提出一种带阈值的BPE-dropout多任务学习语音识别方法.该方法采用带随机性的字节对编码算法,在形成子词时引入带字数阈值的策略,将子词作为建模单元,编码器部分采用Conformer结构,与链接时序分类和注意力机制相结合.为进一步提升模型性能,引入动态参数对损失函数进行动态调节,并同时进行多任务训练和解码.实验结果表明,该方法采用子词作为建模单元可有效解决未登录词问题,在多任务学习框架下进一步提升了模型的识别性能.在公开数据集THCHS30和ST-CMDS上,该模型实现了超过95%的识别准确率.

基于位置与信誉感知深度神经网络的云服务质量预测

随着众多具有相似功能的云服务的出现,为用户选择最适合的服务的难度也越来越大。协同过滤是处理这一问题的常用方法,但是它面临着数据稀疏性和可信度这两个普遍的问题,这大大降低了其预测准确性。为了正确和系统地解决这个问题,提出了一种基于位置与信誉感知深度神经网络的云服务质量预测方法。首先,结合地理位置信息采用K-means聚类过滤不可信用户;其次,在可信用户和服务之间构建一个深度神经网络模型,采用信誉感知网络嵌入来学习用户的潜在表示,并通过全连接层输出用户特征向量和服务特征向量;最后,通过矩阵点乘求和对两者进行融合,输出预测值。在公共数据集WSDream上进行实验的结果表明,与给出的其他方法相比,所提方法在预测准确率上有明显提高。

融合相似性负采样和短期偏好的图卷积推荐模型

大多数基于知识图谱的推荐算法在进行知识图谱学习任务时多采用随机替换的方式对负样本进行采样,不能帮助系统高效地学习样本特征;此外,在学习用户的兴趣时忽略了时间因素对用户偏好的影响。针对以上两点,提出了一种融合相似性负采样和用户短期偏好的推荐模型(SPKG)。首先,使用TransE将实体嵌入到向量空间,采用K-means聚类算法将实体进行聚类,通过同簇实体的相互替换可获得高质量的负三元组;然后,采用基于注意力机制的双向门控循环网络从用户近期交互的物品序列中提取用户的短期偏好;最后,通过用户的短期偏好对用户进行推荐。在3个数据集上对模型的性能进行验证,结果表明,相比于基线模型,SPKG在AUC、召回率和F1指标上都有所改善。

基于知识图谱和麻雀算法改进的图卷积网络推荐模型

现有的知识图谱推荐模型通过聚合实体的高阶领域信息学习用户的远程潜在兴趣.这些方法存在两个问题:①通过计算用户和关系之间的分数得到固定大小的实体邻域结构,不能充分利用知识图谱中的全局信息;②现有模型以相同的权值对实体的邻居节点进行聚合,没有考虑到目标实体对不同采样邻居的偏好程度不同.基于上述问题,提出了融合邻居节点重要度采样和特征交叉池化的图卷积推荐模型.首先,通过融合邻居节点的分数和其中心性感知分数得到邻居节点重要度;然后,引入特征交叉池化层对目标实体向量和邻域向量进行特征交叉后聚合,得到最终的实体特征表示;最后,使用改进的麻雀算法优化图卷积神经网络的超参数.在3个数据集上对模型的推荐性能进行验证,相比于基线模型,在AUC和F1指标上平均提升了3.0%和2.4%.