基于深度多任务学习的图像美感与情感联合预测研究

图像美学评价和情感分析任务旨在使计算机可以辨认人类由受到图像视觉刺激而产生的审美和情感反应.现有研究通常将它们当作两个相互独立的任务.但是,人类的美感与情感反应并不是孤立出现的;相反,在心理认知层面上,两种感受的出现应是相互关联和相互影响的.受此启发,采用深度多任务学习方法在统一的框架下处理图像美学评价和情感分析任务,深入探索两个任务间的内在关联.具体来说,提出一种自适应特征交互模块将两个单任务的基干网络进行关联,以完成图像美学评价和情感分析任务的联合预测.该模块中引入了一种特征动态交互机制,可以根据任务间的特征依赖关系自适应地决定任务间需要进行特征交互的程度.在多任务网络结构的参数更新过程中,根据美学评价与情感分析任务的学习复杂度和收敛速度等差异,提出一种任务间梯度平衡策略,以保证各个任务可以在联合预测的框架下平衡学习.此外,构建了一个大规模的图像美学情感联合数据集UAE.据已有研究,该数据集是首个同时包含美感和情感标签的图像集合.本模型代码以及UAE数据集已经公布在https://github.com/zhenshen-mla/Aesthetic-Emotion-Dataset.

基于深度强化学习的国内金融市场投资比较研究

近年来,随着全球经济的迅速发展,参与金融投资的投资者增多,如何在复杂的金融市场中自动选择交易策略使收益最大化成为研究热点.强化学习可以通过与实际环境的交互来寻找最优的交易策略,使投资收益最大化.现有的方法大都是将一到两个强化学习算法应用于金融市场并比较算法在单一交易任务上的表现,此外,这些研究大都针对国外的股票、证券市场或加密货币市场,对国内金融市场的研究甚少.针对上述问题,面向国内金融投资市场,系统性地验证了不同类型的多种深度强化学习代表性算法在单只股票交易、多只股票交易和投资组合分配三个投资任务上的有效性.通过观察在累计收益率、夏普比率、最大回撤等评价指标上的回测结果对算法进行比较,结果显示在不同的投资任务中选取合适的强化学习算法可以有效地提升收益.

一种结合相关性和多样性的图像标签推荐方法

为了帮助用户高效地组织和检索图像资源,多数图像分享站点允许用户为图像添加标签.图像标签推荐系统旨在提供一组标签候选项来方便用户完成添加标签的过程.以往的图像标签推荐方法往往利用标签间的共现信息进行标签推荐.但是,由于忽略了图像的视觉内容信息和被推荐标签之间的多样性,以往方法的推荐结果常存在标签歧义和标签冗余的问题.为了解决上述问题,文中提出了一种新的图像标签推荐方法,该方法综合考虑了被推荐标签的相关性和多样性.首先,利用视觉语言模型,该方法分别计算标签与图像的相关性和标签之间的视觉距离.然后,基于上述计算,给出一个贪心搜索算法来找到能合理地平衡相关性和多样性的标签集合,将该集合作为最终的推荐.在Flickr数据集上的实验结果表明,该方法在准确率、主题覆盖率和F1测度上均优于目前的代表性方法.

延迟退休与养老金并轨对养老保险基金收支平衡的影响:以山东省为例

十八届三中全会确定的"渐进式延迟退休年龄"政策,对解决我国养老保险基金严重失衡问题具有重要的影响。本文通过建立延迟退休影响度指标,对延迟退休制度实施后对企业职工和机关事业单位工作人员的影响度进行了分析,研究了延迟退休和养老金并轨两项改革措施共同作用的现实效果。结果表明,延迟退休制度对于缓解养老保险基金收支压力具有重要影响,从影响程度来看,对企业职工养老保险的影响要小于机关事业单位养老保险的影响。

LDA-CF:一种混合协同过滤方法

推荐系统是一种克服信息过载的重要工具,其中最流行的方法是协同过滤。该文提出一种结合潜在因素模型和邻域方法的混合协同过滤方法 LDA-CF。我们首先将评分矩阵转换成伪文档集合,使用LDA(Latent Dirichlet Allocation)主题模型发现用户和物品潜在因素向量;然后在低维潜在因素空间计算用户和物品相似度;最后采用邻域方法预测未知评分。在MovieLens 100k数据集上的实验表明:在评分预测任务中,LDA-CF取得的MAE性能指标优于传统的邻域方法。因此,LDA可以有效地从评分矩阵中发现对计算相似度十分有用的用户和物品低维特征表示,在一定程度上缓解了数据稀疏问题。

风对南海波浪的能量输入及其长期变化

利用美国的全球海洋同化资料SODA(simple ocean data assimilation)2.2.4(1871—2008)中的风应力数据,估算了风输入给南海波浪的能量。结果表明,风向南海波浪输入能量的年均值约为0.2TW,其空间分布冬季以南海北部为主,夏季以南部为主且强度比冬季要弱得多;风对南海波浪能量的输入一直呈减少趋势,用欧洲中期天气预报中心的再分析资料ERA-40(European Centre for Medium-Range Weather Forecasts re-analysis-40)(1957—2002)和ERA-20C(1900—2010)中的风场和海浪资料得到的趋势也是如此,1950年以来每年减少0.43%。用ERA-interim(1979—2014)中的有效波高数据可以把风给风浪和涌浪的能量输入区分开,两者的空间分布皆以南海北部为主,而给风浪的能量输入在南海南部还有一个高值区。尽管风输入给涌浪的能量略有增加,但给风浪的能量输入在不断减少,两者之和仍是减少。究其原因,控制南海的东亚季风最近几十年一直在减弱。这些结果对认识南海波浪未来的变化及其预报具有意义。

基于过程监督的序列多任务法律判决预测方法

法律判决预测是人工智能技术在法律领域的应用,因此对法律判决预测方法的研究对于实现智慧司法具有重要的理论价值和实际意义。传统的法律判决预测方法大都是只进行单一任务的预测或仅基于参数共享的多任务预测,并未考虑各子任务之间的序列依存关系,因此预测性能难以得到进一步的提升。文中提出了一个端到端的基于过程监督的序列多任务法律判决预测模型,在建模各子任务之间的依存关系时,通过引入过程监督来确保依赖信息的准确性,从而提升序列子任务的预测性能。将所提模型应用到CAIL2018数据集上,取得了较好的分类效果,平均分类准确率比现有的state-of-the-art方法的准确率提升了2%。

面向新工科人才培养的多措并举的概率统计原理及应用教学改革

针对新工科背景下计算机类专业本科学生概率统计原理及应用课程线上教学面临的挑战和遇到的问题,提出"一平台,两辅助"多措并举的线上智慧教学改革方案,介绍"以超星学习通为主要平台,以QQ、腾讯会议软件为辅助手段"的课程教学实践,最后说明教学成效。

基于迁移学习的图像检索算法

近年来,随着互联网的发展和智能设备的普及,网络上存储的图片数量呈现爆发式增长,同时,不同类型的社交网络、媒体的用户数量也连续增长。在这种情况下,网络上的多媒体数据类型也发生了变革,在包含其本身携带的视觉信息的同时,也包含用户为其设定的标签信息、文本信息。在这种多模态信息杂糅的环境下,如何向用户提供快速准确的图像检索结果,是多媒体检索领域的一个新挑战。文中提出了一种基于迁移学习的图像检索算法,在对图像的视觉信息进行学习的同时,也对图像的文本信息进行学习,并将学习到的结果迁移到视觉信息领域,进行跨模态信息融合,进而产生包含跨模态信息的图像特征。经实验证明,所提算法能够实现更优的图像检索结果。

卷积神经网络下的Twitter文本情感分析

随着社交网络的日益普及,基于Twitter文本的情感分析成为近年来的研究热点。Twitter文本中蕴含的情感倾向对于挖掘用户需求和对重大事件的预测具有重要意义。但由于Twitter文本短小和用户自身行为存在随意性等特点,再加之现有的情感分类方法大都基于手工制作的文本特征,难以挖掘文本中隐含的深层语义特征,因此难以提高情感分类性能。本文提出了一种基于卷积神经网络的Twitter文本情感分类模型。该模型利用word2vec方法初始化文本词向量,并采用CNN模型学习文本中的深层语义信息,从而挖掘Twitter文本的情感倾向。实验结果表明,采用该模型能够取得82.3%的召回率,比传统分类方法的分类性能有显著提高。

职工视角下基于养老金财富衡量标准的我国最优退休年龄

在当前我国老龄化社会背景下,延迟退休将成为应对我国面临的劳动力供求平衡和养老金收支平衡双重压力的重要解决途径之一。针对如何进行延迟退休,本文从职工个人角度出发,将职工分为“新人”和“中人”两类,以养老金财富达到最大为衡量标准,通过建立修正的养老金财富模型进行数值模拟,在不同的参数设定下,得到不同性别、缴费年限、缴费基数、养老金增长率下的职工最优退休年龄。从个人养老金财富视角来看,在未来养老金增长率保持在适当水平下,延迟退休将会有利于所有职工养老金财富的增长,而在养老金增长率保持在较高水平下,延迟退休对男性和女性职工的养老金财富影响有所不同。

基于多尺度注意力融合的知识追踪方法

互联网的普及使线上教育迅速发展,在缓解教育资源不均衡问题的同时,也为科研人员提供了大量的研究数据.教育数据挖掘是一个新兴学科,通过分析海量数据来理解学生的学习行为,为学生提供个性化学习建议.知识追踪是教育数据挖掘中的重要任务,其利用学生的历史答题序列预测学生下一次的答题表现.已有的知识追踪模型没有区分历史序列中的长期交互信息和短期交互信息,忽略了不同时间尺度的序列信息对未来预测的不同影响.针对该问题,提出一种基于多尺度注意力融合的知识追踪模型,使用时间卷积网络捕获历史交互序列的不同时间尺度信息,并基于注意力机制进行多尺度信息融合.针对不同学生及答题序列,该模型能自适应地确定不同时间尺度信息的重要性.实验结果表明,提出模型的性能优于已有的知识追踪模型.

基于时序超图卷积神经网络的股票趋势预测方法

传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模,捕捉长期依赖关系;HGCN建模股票间的高阶关系以学习内在关系属性,从而将股票间多元关系信息引入到传统的时序建模中,进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明,相较于已有的股票预测方法,所提模型预测性能有所提升;如与GRU网络相比,所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%,且更具有稳定性。此外,模拟回测结果显示,基于该模型的交易策略更具获利能力,年回报率达到11.30%,与长短期记忆(LSTM)网络相比提高了5个百分点。

基于随机森林的民俗体育对身体指标影响评估方法

随着体育事业的发展,传统体育项目越来越受重视.作为我国传统体育运动的重要组成部分,民俗体育运动的发展显得尤为重要.为研究民俗体育项目对健身效果的影响,组织多个对象分别进行一段时间内的角力类、竞足类和技巧类三类民俗体育运动训练,并观察对象训练后在身体形态、身体机能、身体素质三方面共计32个代表性身体指标的变化情况.进一步,以身体指标变化情况作为特征表示观察对象,采用随机森林算法预测不同对象在训练阶段进行民俗体育运动的种类,在过程中基于信息增益进行特征选择,从而度量不同类别民俗体育运动对各项身体指标的影响程度.将获得的不同运动对各项身体指标的影响程度与真实影响情况进行评估分析,揭示民俗体育运动与人身体机能的关联关系.此外,实验结果证明,和基准线算法相比,提出的算法有更高的预测准确性.

基于语义感知的图像美学质量评估方法

当前图像美学质量评估的研究主要基于图像的视觉内容来给出评价结果,忽视了美感是人的认知活动的事实,在评价时没有考虑用户对图像语义信息的理解。为了解决这一问题,提出了一种基于语义感知的图像美学质量评估方法,将图像的物体类别信息以及场景类别信息也用于图像美学质量评估。运用迁移学习的思想,构建了一种可以融合图像多种特征的混合网络。对于每一幅输入图像,该网络可以分别提取出其物体类别特征、场景类别特征以及美学特征,并将这三种特征进行高质量的融合,以达到更好的图像美学质量评估效果。该方法在AVA数据集上的分类准确率达到89.5%,相对于传统方法平均提高了19.9%,在CUHKPQ数据集上的泛化性能也有了很大提升。实验结果表明,所提方法在图像美学质量评估问题上,能够取得更好的分类性能。

基于3D全时序卷积神经网络的视频显著性检测

视觉是人类感知世界的重要途径之一。视频显著性检测旨在通过计算机模拟人类的视觉注意机制,智能地检测出视频中的显著性物体。目前,基于传统方法的视频显著性检测已经达到一定的水平,但是在时空信息一致性利用方面仍不能令人满意。因此,文中提出了一种基于全时序卷积神经网络的视频显著性检测方法。首先,利用全时序卷积对输入视频进行空间信息和时间信息的时空特征提取;然后,利用3D池化层进行降维;其次,在解码层中用3D反卷积和3D上采样对前端特征进行解码;最后,通过把时空信息有机地提取与融合,来有效地提升显著图的质量。实验结果表明,所提算法在3个广泛使用的视频显著性检测数据集(DAVIS,FBMS,SegTrack)上的性能优于当前主流的视频显著性检测方法。

基于深度多任务学习的社交图像标签和分组联合推荐

随着在线社交的多媒体共享网站的蓬勃发展,社交图像推荐逐渐成为研究热点。人们通常对社交图像进行标签化、分组化,使得图像数据更加易于管理。传统的图像标签或分组推荐方法往往只关注特定任务,忽略了标签推荐和分组推荐任务之间的隐含关系。多任务学习则可以充分挖掘不同任务对图像的共享或相互关联的隐含表示,融合多种任务抽取图像特征,对于提高单一任务的准确性具有积极意义。因此,文中提出了一种基于深度多任务学习的社交图像标签和分组联合推荐模型。该方法使用基于比较的偏序学习深度网络分别进行标签推荐和分组推荐,有效缓解了单任务中的数据稀疏性问题。此外,在处理社交图像视觉特征的卷积神经网络中,首先使用多任务学习将来自不同任务的中间层特征进行连接,然后通过卷积实现降维和特征的自动融合,使得不同任务的图像特征得到共享,同时降维后的融合特征能够满足下一层卷积神经网络的尺寸要求,使得单一任务的整体结构得以保持。从大量Flickr图片共享网站上爬取的真实数据集上的实验结果表明,与现有经典推荐算法相比,所提算法获得的准确率和召回率均有较大提升,证明了该方法的有效性和可行性。

基于校园上网行为感知的学生成绩预测方法

学生成绩预测旨在利用学生的相关信息预测其在未来的学业表现.随着校园信息化建设的持续推进,校园网络认证系统越来越完善,各高校逐步积累了丰富的学生校园上网行为数据.考虑到人的行为表现和学习能力密切相关,以校园上网行为感知为切入点,通过挖掘学生的上网行为日志来预测他们的成绩.为此,收集构建了一个同时包含学生校园上网行为和成绩数据的真实数据集,并通过数据分析证明两者之间确实存在一定的关联性.在此基础上,提出了一个端到端的双层自注意力网络(dual-level self-attention network,DEAN),引入级联式的自注意力机制来分别提取学生每一天的局部上网行为特征和长时间的全局上网行为特征,更好地解决了长行为序列建模问题.此外,通过多任务学习策略在统一的框架下同时解决面向不同专业的学生成绩预测问题,并设计了基于学生排名差的代价敏感损失来进一步提升方法的性能.实验结果表明:相比于传统的序列建模方法,所提出的方法具有更好的预测精度.

基于有序多任务学习的司法二审判决预测方法

司法二审判决预测任务旨在基于一审判决、新发现事实、上诉理由等文本材料预测二审程序的判决结果,其难点在于如何捕捉两审法院对案件事实的认知异同来生成可解释的预测。针对上述难点,该文提出一种基于有序多任务学习的二审判决预测方法SIJP-SML,该方法通过两个时序依赖的多任务学习部分对一审到二审的完整审判逻辑进行建模,以提取并融合一、二审法院对案件事实的认知表示来预测二审判决。同时,SIJP-SML在多任务学习中引入法院观点生成任务来输出具有一定可读性的判决理据,以增强预测的可解释性。在6万余份二审裁判文书数据上的实验结果证明了SIJP-SML的有效性和合理性,其综合性能优于所有基线方法。

基于自注意力移动平均线的时间序列预测

时间序列预测有广阔的应用前景,吸引了越来越多的研究人员对其进行深入的研究.移动平均线是最常用的技术指标之一,它可以对过去一段时间内时间序列的整体变化规律进行概括,常常用来进行时间序列趋势预测.然而,传统的移动平均线指标是通过赋予时间序列数据相等或预定义的权重计算得到的,忽略了不同时间点重要性的细微差别;另外,对于不同的时间序列数据采用相同的权重,忽视了不同时间序列内在特性的差异.为了解决上述问题,提出一个自适应的自注意力移动平均线(Self-Attentive Moving Average,SAMA)指标.利用循环神经网络对时间序列的输入信号进行编码后,引入自注意力机制来自适应地确定不同时间点上数据的权重以计算移动平均值.此外,还使用多个自注意头对不同尺度的SAMA指标进行建模,最后将它们组合起来进行时间序列预测.在两个真实数据集上的大量实验证明了该方法的有效性,数据集和代码已在https://github. com/YY-Susan/SAMA上发布.