多模态数据驱动的服务需求预测方法研究

数据驱动的主动服务推荐已成为实现智能服务、提升用户体验的重要技术,如何精确预测用户的服务需求成为当前重要问题之一。针对这个问题,提出了一种基于软注意力与多模态机器学习(SAMML)的服务需求预测方法。该方法首先从文本数据和图像数据提取特征向量并实现多模态数据特征融合;然后应用软注意力机制处理融合后的特征数据,并将结果输入门控制循环单元(GRU)网络,从而更好地学习用户的服务兴趣;最后,基于用户特征与服务数据训练SAMML模型,并实现用户的服务需求精确预测。基于天池大数据众智平台提供的数据集进行了验证实验,SAMML模型的评估指标MAE、MSE、R 2分别比对比模型提高了0.0218、0.0263、0.0310。

Yolo-v5改进模型的课堂行为实时检测方法

当前,学生的课堂学习动态的掌握,主要通过课堂观察和随机提问等人工监督方式来进行,此类方式存在课堂信息传递与反馈的滞后等问题。使用基于深度学习的无人监督式的课堂监控系统,可及时、有效地掌握课堂动态,监督学生学习情况。针对课堂视频中存在的人数密集、小目标多、光照不均以及环境干扰复杂等情况,在Yolo(You Only Look Once)-v5模型基础上,结合GCT(Gated Channel Transformation)模式提出一种适用于课堂环境的Yolo-v5改进模型。此外,现有研究中适用于课堂行为检测研究的数据集较少,大多数研究存在实验数据不规范的问题。因此,提出了一种规范的课堂行为检测数据集,该数据集从真实课堂视频截取出有代表性的一千多张高清图片,涵盖十类行为,且目标类都有精确的位置标定。文章通过与Yolo-v3、Yolo-v4、Yolo-v5在该数据集上对比,结果表明,文章方法性能更好。