江苏省海绵城市建设的社会支持调研和存在问题探究——以镇江市为例

随着城市生态问题的不断加剧,如何推进新型城镇化建设、建设海绵城市成为倍受政府和社会各界关注的问题。本文通过采用实地调查采访、问卷调查、文献研究、统计分析等调查方法,以镇江市为研究对象,对海绵城市建设过程中市民对城市水环境的重视程度、对海绵城市了解程度、建设支持程度、建设成果感知度和海绵城市建设的不良影响等方面进行分析,得出目前海绵城市建设中存在法律法规不完善、财政压力较大、缺少民众参与等问题,并结合镇江市实际情况提出完善相关法律,加强有关宣传、创新融资渠道、利用信息技术构建智慧海绵城市等合理建议。

高校教师绩效工资现行方式调查研究——以H大学C校区为例

针对高校教师绩效工资尚未成熟的现状,现对H大学C校区的绩效工资现行方式展开研究。随机抽取该校的69名教师进行问卷调查,收集教师基本信息、绩效工资现行方式及教师对现行绩效工资的反馈等资料,利用频数分析法处理相关数据。结果显示H大学C校区总绩效达到优秀的教师只占少数,表明在现行绩效工资方式下大多数教师的积极性不高,且还未能完全适应该校现行的绩效工资分配制度。

基于图像仿射变换技术与小波融合的人脸预测与还原研究

该文详细阐述了根据一张照片做出若干年后的预测并生成照片的过程。模型基于较成熟的AAM特征提取技术来对照品做出预处理,并且根据脸庞轮廓曲率的接近度筛选出相似人群以合成个性人脸,再做出若干年后个性人脸轮廓以及皱纹预测,最终利用小波图像融解与合成技术进行预测个性图像的合成。

求解单位L∞范数下带值约束的最短路逆问题的算法

研究了单位L_∞范数下带值约束的最短路逆问题,通过将单位L_∞范数下的最短路逆问题转化为求最小平均圈问题,给出了求解单位L_∞范数下带值约束的最短路逆问题的强多项式时间算法,其时间复杂度为O(nm)。利用给出的实例,用二分法的方法验证了论文算法的正确性。

融合语义增强的社交媒体虚假信息检测方法研究

【目的】通过构建自动化检测模型有效识别社交媒体中的虚假信息,探讨如何解决人工识别、单特征机器学习等现存方法难以兼顾海量数据处理的速度与准确性的问题。【方法】本文以新浪微博社交平台为研究对象,以单一文本特征BFID模型作为实验基准模型,提出两种融合语义增强的虚假信息检测方法。【结果】以单一文本特征BFID模型的结果为基线,本文提出的融合情感特征的BFID-SEN模型在虚假信息识别的部分准确率上提升约1.59个百分点;融合图片特征的BFID-IMG模型通过结合深度残差网络ResNet,在虚假信息识别的部分准确率上稳定提升约0.78个百分点。【局限】由于融合情感特征的语料数量、情感类别与多模态虚假信息数据集有限,模型训练不充分,因此语义增强的融合效果有限。【结论】本文提出的两种融合语义增强方法均能在一定程度上更好地识别虚假信息。

求解单位L_(∞)范数下带值约束的最大权完美匹配逆问题的算法

通过研究单位L_(∞)范数下的带值约束的最大权完美匹配逆问题的性质,将单位L_(∞)范数下最大权完美匹配逆问题转化为求解最大平均交替圈问题,给出一个求解该类问题的一个强多项式时间算法,其时间复杂度为O(n^(4)).并通过一个算例,验证了给出的算法的有效性.

基于Xception-TD的中华传统刺绣分类模型构建

【目的】将人工智能方法引入数字人文领域中,探讨如何解决中华传统刺绣图像分类背景下刺绣数据集较小、图像特征表示不足以及识别准确率不高等问题,为非物质文化遗产数字保护智能化提供方法支撑。【方法】将深度学习技术运用到刺绣图像上,利用图像处理技术提取其相应的特征,采用迁移学习的方法,对Xception模型进行微调改进,进而提出一种基于Xception-TD的中华传统刺绣分类模型,并探讨全连接层的数量与维度以及dropout取值对模型性能的影响。【结果】实验结果表明,针对中华传统刺绣分类的问题,通过微调的方法,发现提高全连接层数量以及增大全连接层维度可以得到更好的刺绣图像特征表示并产生更好的效果。基于Xception-TD中华传统刺绣模型准确率达到0.968 63,均优于基准模型。在进一步刺绣多分类的问题上,准确率也均优于基准模型。【局限】本文数据集仅来源于百度图片与少量人工标记,数据来源不够丰富。【结论】基于迁移学习,并结合微调能够有效提升刺绣分类的准确率。

融合关联信息的GCN文本分类模型构建及其应用研究

【目的】有效学习文本上下文语境和词语间的关联性,提升文本自动分类的性能。【方法】提出一种融合关联信息的BERT-BiLSTM-SGCN(Similarity-GCN)长文本分类模型。首先,利用BERT得到待分类长文本的词向量初始特征,将其输入BiLSTM模型中捕获语义关系,并将其输出作为图卷积网络的节点表示,其中每个节点代表每个词特征;然后,使用词之间的相似值作为图卷积网络中的节点之间的边表示,并将结合得到的节点表示以构造图结构作为SGCN层表示;最后,将利用SGCN层得到的长文本表示输出至全连接层中得到最终的分类结果。【结果】实验结果表明,针对知网中文文献主题多分类问题,模型分类准确率达到了0.83409,均优于基准模型。【局限】将文本数据处理成单标签进行多分类,未考虑到多标签的分类问题。【结论】所提模型能够有效地对长文本数据进行建模,将BERT、BiLSTM和SGCN模型相结合,可以大大提高模型的分类性能。

基于多尺度BiLSTM-CNN的微信推文的情感分类模型及应用研究

【目的/意义】基于大量UGC数据的情感分析已成为舆情检测和社交组织中的重要任务,对微信推文的情感分类可为舆情动态调控和舆论趋势监测提供一种可行的管理方法,传统的分类模型大多不考虑文本的上下文语义关系。【方法/过程】本文在卷积神经网络CNN和LSTM长短期记忆网络的基础之上进行融合构造,构建了一种基于BILSTM-CNN模型的微信推文情感分类模型。其中BILSTM层充分考虑了上下文信息,使得本模型能够更好得到文本的情感倾向。【结果/结论】通过不同超参数的组合以及模型对比,验证模型的可行性,为微信推文情感分类模型和方法研究的构建提供新的理论模型和方法支持。【创新/局限】在今后的工作中,可以对情感极性进行更为细分的分类,此外因为BiLSTM层中多个双向LSTM导致训练速度很慢,不能并行处理,将研究有效加速模型训练过程的方法。

融合结构和内容的方志文本人物关系抽取方法

【目的】在方志信息资源领域内开展关系抽取研究,探究方志文本中蕴含的地域文化传统。【方法】从文本结构和文本内容两个角度探讨关系抽取方法。文本结构上使用规则模板和词句特征的方法从原始文本中提取人物关系记录,并构建不同粒度的人物关系类别;文本内容上引入远程监督的方法进一步提取人物关系记录;最后引入BERT+Bi-GRU+ATT和BERT+FC深度学习模型将人物关系抽取任务转化为人物关系的多标签分类任务,并通过对关系标签修正的方式弱化远程监督引入的噪声对模型精度所产生的影响。【结果】基于多角度融合提出的关系抽取方法具有自动化程度高、关系记录提取率高的特征。深度学习BERT+FC模型在不同类别上F1值的提升幅度可达1%~27%;不同关系类别间表现出一定的亲和性,但类别本质不同;标签修正后的“强共现关系”F1值提高3%。【局限】仅探究了地方志中人物实体间关系,未拓展研究方志文本中其他实体间关系。【结论】基于多角度融合的方法提供了一套方志文本同类型实体关系抽取研究流程,引入深度学习模型增强了关系抽取方法的可移植性。