结合深度语义特征的人岗精准匹配算法

受中美贸易摩擦不断升级、国内经济结构调整和金融市场波动等环境压力影响,目前全国就业形势整体较为严峻。互联网中海量岗位信息的存在,为求职者和招聘单位带来了便捷,也为精准人岗匹配提出了挑战。基于内容的推荐算法较适用于人岗匹配,但是目前大多数方法使用的特征较少,特别是对提供的长文本信息利用不够。本文提出一种结合深度语义特征的人岗精准匹配算法,在构建较为完善的人岗特征体系基础上,利用自然语言处理技术,采用Doc2vec方法充分挖掘长文本中包含的语义信息,实现求职者与岗位之间信息的精准匹配。该方法既能克服数据稀疏和冷启动问题,同时能充分利用求职者和岗位提供的信息,有利于实现更加准确、个性化的就业推荐服务。

基于深度语义特征的供电公司人力资源人岗精确匹配方法

为提高工作效率、优化人力资源配置,提出基于深度语义特征的供电公司人力资源人岗精确匹配方法。根据人岗匹配需求,首先进行岗位能力多元动态排序,提升匹配测算的精度,同时完成横向动态人岗匹配度的计算;构建深度语义特征人岗精确匹配模型,并采用双边匹配修正实现人岗精准匹配处理。测试结果表明,该方法的单周期自动匹配次数均可以超过100次,匹配度最低也可以达到86.37%,说明在深度语义特征的辅助下,该方法更为高效、可靠。

基于CNN的高分遥感影像深度语义特征提取研究综述

近年来,深度学习作为计算机视觉的研究热点,在诸多方面得以发展与应用。特征提取是理解和分析高分遥感影像的关键基础。为促进高分遥感影像特征提取技术的发展,总结了深度学习模型在高分遥感影像特征提取技术的研究与发展,如:AlexNet,VGG-网和GoogleNet等卷积网络模型在深度语义特征提取中的应用。此外,重点分析和讨论了以卷积神经网络模型为基础的各类深度学习模型在高分遥感影像特征提取方面的应用与创新,如:迁移学习的应用;卷积神经网络(Convolutional Neural Network,CNN)模型结构的改变;CNN模型与其他模型结构的结合等方式,均提升了深度语义特征提取能力。最后,对卷积神经网络模型在高分遥感影像深度语义特征提取方面存在的问题以及后续可能的研究趋势进行了分析。

融合深度神经网络特征的ARIMAX雾霾PM2.5预测

目前,雾霾污染问题是关乎国计民生的重大问题,它已经对人们的生产、生活、身体健康,以及生态环境和气候变化都产生了很大的影响。这样,如何通过监测雾霾变化获取的雾霾相关信息去准确预测雾霾污染物的浓度,以防治和减轻雾霾造成的严重后果变得尤为重要。因此,通过在简单有效的传统ARIMAX模型基础上融入深度神经网络语义特征,提出了一种新的雾霾PM2.5浓度预测框架。首先,把对雾霾预测有显著影响的气象因子温度、压力、相对湿度数据转换为图像数据;然后,运用ResNet-50(Residual Network-50)卷积神经网络模型提取深度语义特征,进而运用主成分分析(Principal Component Analysis,PCA)技术处理高维特征,得到最佳深度神经网络特征组合;最后,用ARIMAX技术建立雾霾PM2.5浓度预测模型。在收集的山西省2015~2019年PM2.5浓度和气象因子数据集上验证了该预测框架在皮尔逊相关系数(Pearson’s Correlation Coefficient,PCC)、均方误差(Mean Square Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)度量下,对于1、3、5和7天长短期预测,都始终优于传统的简单差分自回归滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、三因素ARIMAX模型、多元回归模型、ResNet-多元回归模型、长短期记忆网络(Long and Short-Term Memory,LSTM)模型和支持向量机(Support Vector Machine,SVM)模型。

基于自注意力机制的雷达弱目标检测

对于低信噪比下的弱小目标检测,传统的检测算法采用恒虚警(CFAR)的方式定位目标的位置,但其难以设置合适的阈值,无法很好地应对该类目标的检测。针对上述问题,本文提出VU⁃Net检测方法。该方法首先对雷达回波数据进行处理,得到目标回波的距离⁃多普勒(RD)矩阵。然后将RD矩阵输入到所提出的网络框架,通过U⁃Net实现雷达信号的编码与解码,获取RD矩阵中具有辨别性的深度语义特征,实现逐单元的目标位置预测。同时,该网络中引入自注意力模块实现对雷达信号的关系建模,从而提取更加丰富的目标回波特征,提升网络的抗噪性能。实验结果表明,所提方法的检测性能在低信噪比场景下具有较强的鲁棒性,能够实现对弱目标的有效检测。