多层内部语义表示增强的深度文本聚类模型

为学习更丰富的语义表示以提升聚类效果,文章提出一种多层内部语义表示增强的深度文本聚类(Deep Document Clustering via Multi-layer Enhanced Internal Semantic Representation,DCISR)模型。首先,设计了一种语义融合策略,将其不同层次的外部结构语义表示逐层融入内部语义表示中。其次,充分利用编码层和解码层对语义补充的作用进行内部语义表示的补充增强。最后,设计了一种三重自监督机制,以监督模型参数更新。实验结果表明,该模型在4个真实文本数据集上的聚类性能均高于对比模型,验证了模型的有效性,可为未来开展相关工作提供参考。

基于多层子空间语义融合的深度文本聚类

针对传统深度文本聚类方法仅利用中间层的文本语义表示进行聚类,没有考虑到不同层次的神经网络学习到的不同文本语义表示以及中间层低维表示的特征稠密难以有效区分类簇的问题,提出一种基于多层次子空间语义融合的深度文本聚类(deep document clustering via muti-layer subspace semantic fusion,DCMSF)模型。该模型首先利用深度自编码器提取出文本不同层次的潜在语义表示;其次,设计一种多层子空间语义融合策略将不同层的语义表示非线性映射到不同子空间以得到融合语义,并用其进行聚类。另外,利用子空间聚类的自表示损失设计一种联合损失函数,用于监督模型参数更新。实验结果表明,DCMSF方法在性能上优于当前已有的多种主流深度文本聚类算法。

基于自适应权重模糊C-均值聚类的瓦斯突出预测

传统的模糊C-均值聚类在处理煤与瓦斯突出的预测时,由于其对初始聚类中心的过度依赖而导致预测结果准确率的降低。为了准确预测煤与瓦斯突出,提出了一种基于自适应权重模糊C-均值聚类的煤与瓦斯突出预测方法。该方法将瓦斯浓度相关影响因素作为特征空间中的样本,利用高斯距离比例来表示权重,并动态计算每个样本对于类的权重,对特征空间中的样本进行聚类分析预测,降低了算法对初始聚类中心的依赖。

矿产资源开发利用批后监管系统设计——以贵州省为例

本文采用计算机、GIS、大型数据库等技术,建立了矿产资源开发利用批后监管系统。构建统一化、无缝化的监测监管机制和平台,实现对矿产资源开发利用的事中、事后的全面监管,扩展了贵州省矿政管理监管工作的宽度。