区块链共识算法研究综述

区块链已广泛应用于货币金融、通信网络、信息安全、物联网、电力运行管理和社会职能管理等多个领域,但依然存在许多急需解决的问题。共识算法是区块链的核心技术之一,是区块链各节点达成一致性最为重要的底层技术,是解决区块链吞吐量太小、通信存在延迟等一系列问题的关键技术,是区块链安全运行的重要保证。文中基于区块链共识算法的设计原理,主要介绍了区块链的构成、分类、架构、上链、节点处理流程及存在的问题,重点阐述了现有PoW、PoS、DPoS、PBFT、Raft、Paxos、Ripple等共识算法设计思路、共识理论及流程,对共识算法中的共性问题,即算法优化、算法效果进行了综合概述和分析,并对区块链共识算法研究进行了展望,希望开发出更加高效、安全的共识算法。

基于决策树的多维属性自动推理识别

现有的决策树分类在属性识别的应用中存在一定的不足,如样本数据属性类别必须事先已知,无法做到自动推理等。针对以上不足,本文提出一种基于决策树的多维属性自动推理的机器学习识别模型。通过引入属性相似度度量策略和机器学习的方法,实现多维属性的自动推理和识别。实验结果表明,该模型能有效地对多维属性进行自动分类,准确率达到93%左右,且识别的最终得分score均在0.71以上,能很好地满足属性自动识别的需求。

基于GRU+LDA的群聊主题挖掘

社交网络发展迅速,即时消息系统已成为人们日常生活中必不可少的沟通交流工具。在线群聊能使人们迅速交流生活、技术及工作等信息,但是由于群聊信息更新较快,大量的信息导致跟进群聊话题是困难的。传统的主题挖掘模型不能很好地适用于群聊文本的挖掘。通过对群聊文本的特征进行分析,提出一种基于GRU和LDA的群聊会话主题挖掘(GLB-GCTM,GRU and LDA Based Group Chat Topic Mining)模型,解决了传统主题模型不能解决的词语顺序问题。首先,假定每个文档有一个基于高斯分布的主题向量,然后根据GRU原理产生每个词的隐含状态,根据当前词的隐含状态的伯努利分布确定当前词是否为停用词,以决定所使用的语言模型。该方法使用笔者加入的10个QQ群最近3个月的群聊数据集进行试验验证,结合对比实验评估标准,该模型能够有效识别出群聊文本中的主题。

浅海中球形声源诱发的海底地震波快速预报方法研究

针对浅海中球形声源诱发的海底地震波预报问题,提出了一种基于等效源-有限元联合法的快速预报方法。首先,基于波叠加原理,将球形声源的辐射声场等效为其对称轴上若干等效点源辐射声场的线性叠加,根据与球形声源表面上等效点源数量一致的场点振速匹配原则,确定等效点源的强度;然后,采用有限元法建立球形声源、浅海环境、边界条件的耦合动力学模型,计算相应源强下每个等效点源诱发的海底地震波场,并将其线性叠加快速求得球形声源诱发的海底地震波场;最后,从计算精度和效率两个方面,分别采用上述方法和有限元法,给出不同频率、不同海底底质时海水-海底界面上的法向应力级衰减曲线。结果表明:所提方法具有建模简洁、计算精度和效率高等特点,可用于快速预报浅海中球形声源诱发的海底地震波场。

社交网络用户影响力的模糊综合评价

社交网络平台信息传播迅速,为了有效地进行舆情预警,定量地评估用户在消息传播网络中重要性,将模糊综合评价方法引入用户影响力建模问题中.通过对用户在社交平台上的行为分析,构造了包含用户活跃粉丝数以及平均转发数等五项指标在内的评价体系.并针对传统的模糊综合评价算法在应用于计算评价指标权重方面的缺陷与不足,提出改进模糊合成算子的方法构建用户影响力评估模型.利用新浪微博社交平台上的真实数据,结合对比实验和实际评估,改进的模糊合成算子能根据需求调整权重对评价结果的影响,同时该方法能较准确地反应社交网络中用户的实际影响力.

基于XGBoost算法结合域名信息筛选的流量识别方法

传统的流量识别方法主要有基于流量行为特征的指纹信息匹配技术、深层数据包检测技术、基于端口映射的流量识别技术等。基于机器学习的识别技术是目前较为先进的一种,它利用机器学习自学习、自组织和自适应的特性,可有效解决传统流量识别方法存在实现复杂、速率慢等问题,但是由于网络环境当中存在大量的背景流量,导致机器学习的精确率较低。本文针对传统的流量识别技术和单纯机器学习方法的缺陷,提出了一种使用XGBoost机器学习模型与域名信息结合的方式进行流量识别的技术,首先分别对HTTP协议数据和HTTPS协议数据构建机器学习模型进行流量的初步识别,然后构建应用与其二级域名的映射关系。对于模型识别为正类的数据提取域名信息(HTTP提取host字段、HTTPS提取SNI域),最后根据应用与二级域名的映射关系对模型识别的结果进行二次筛选,进一步提高准确率。

基于BERT-LDA模型的短文本主题挖掘

传统的主题模型在对短文本建模时,会由于词汇稀疏导致模型效果不好。论文针对短文本数据特征,提出了BERT-LDA主题挖掘模型(Short Text Topic Mining Based on BERT and LDA),该算法通过使用预训练BERT模型提取文本语义特征,再通过K-means聚类算法将短文本聚合成长文本再进行主题建模,从而扩充单条文本包含的语义特征,有效降低了词汇稀疏性,从而提升模型效果。通过在实际数据上进行对比实验证明,与LDA和BTM模型相比,该算法能够取得更低的困惑度。

基于改进深度置信网络的中文实体检测

实体检测是自然语言处理的一个研究热点,是从无结构的文本中检测出命名实体。深度置信网络(Deep Belief Nets,DBN)的核心组件为受限玻尔兹曼机(Restricted Boltzmann Machine,RBM),RBM的训练传统采用对比散度准则(Contrastive Divergence,CD),但CD是对数似然梯度有偏差的近似。为此,提出基于平均对比散度准则(Average Contrastive Divergence,ACD)训练的DBN的实体检测模型,利用MSRA语料库作训练。采用词袋模型作为输入向量,结合词性特征以及上下文特征。并将其与传统的CD准则作对比。实验证明,DBN能获得较好的实体检测效果,并且ACD准则比CD准则能获得更好的重构误差,且收敛性更好。

基于网络短文本主题挖掘技术研究

由于短文本内容少,在语义特征上短文本要比长文本匮乏的多,传统的主题模型对于普通文档非常有效,然而严重的数据稀疏问题使得短文本主题建模困难。为了解决这一问题,提出了GBDP(Gravity Biterm Topic Model Hierarchical Dirichlet Process)模型,它是一种基于BTM(Biterm Topic Model)的Dirichlet过程,同时结合CRP(Chinese Restaurant Process)不仅考虑词汇之间相关性而且也考虑到了词对之间的联系,最后对实际数据进行了对比实验,结果表明GBDP在主题质量和困惑度方面效果显著。

基于改进TFIDF算法的邮件分类技术

随着电子邮件的普及,垃圾邮件的泛滥问题也逐渐引起人们的关注,垃圾邮件分类技术的研究成为了近年来的热点课题。邮件特征选择会直接影响到分类的效率和精确度,使用TFIDF算法可以有效评估一个特征项对于邮件分类的重要程度。但在邮件分类中单纯使用TFIDF来判断一个特征是否有区分度还存在很多的不足:没有考虑到特征词在类间和类内的分布情况,低估了高频词的作用并高估了低频词的作用。对TFIDF算法进行修改,降低特例邮件中频繁出现的特征词的影响,引入了频率差,增加了在类中频繁出现的词条的权值,并减小了在类中出现频率小的词条的权值。最终将改进的TFIDF算法与传统特征提取算法进行对比。实验结果表明,改进算法可以选择出更合适的特征项集合,从而使邮件分类的效果更好。

基于TextCNN的政策文本分类

多标签文本分类现在已经成为自然语言处理中的核心任务之一,它的目的是从多个候选标签中使用最相关的标签来注释文档。该文的研究是在文本分类的基础上,以TextCNN神经网络作为基础分类框架,介绍了在自建数据集上进行基于改进的TextCNN的多标签分类任务。通过爬虫来获取全国各个地市的政策文本数据,构建了一个全新的政策类数据集,对数据进行预处理,利用改进后的TextCNN神经网络来训练模型对数据进行多标签分类,经过实验对比测试,改进后的TextCNN结合百度百科词向量在自建数据集上达到了较好的分类效果。

基于CEP的校园推荐系统设计与实现

针对高校学生课外资源过载、缺少实时个性化推荐等问题,将复杂事件处理技术(CEP)运用到推荐系统中,发挥其强大的实时处理优势,对进一步提高高校个性化资源推荐系统的准确性和实时性进行了研究。将高校管理与资源推荐相结合,设计大数据背景下的校园学辅资源推荐系统。利用复杂事件处理技术,将学生实时地理位置信息、签到信息、图书馆借阅信息、宿舍信息等四种多维、异构数据源相结合,使用EPL语言实现相应的规则关联,将简单事件流通过Esper引擎处理后形成复杂事件流,对高校学生资源推荐系统作实证分析,实现从学生基本信息数据流处理、复杂事件规则验证到相关资源推荐的整个推送过程。实验结果表明,将该系统与最常用的基于协同过滤算法的推荐系统性能作比较,实时性提升了20%,准确度提升了30%,验证了该系统具有良好的推荐效果。

基于双层注意力机制的深度学习电影推荐系统

传统协同过滤技术仅使用用户对物品的评分矩阵,没有充分利用用户和物品的其他多种特征,而且由于评分矩阵非常稀疏,导致推荐系统的推荐准确率严重下降。近几年深度学习技术在机器学习的多个领域取得了显著的成就,本文针对传统协同过滤推荐系统的问题,提出一种基于双层注意力机制的深度学习推荐系统。以电影推荐为例,使用深度学习框架处理推荐系统中的多种输入特征信息,同时引入双层注意力机制,分别学习用户和电影每个特征之间的偏好以及用户与其观影列表中每一部电影间的偏好,从而尽可能多地利用用户和电影的特征数据,学习用户的行为偏好,在一定程度上改善了推荐的效果。

基于用户聚类和Logistic函数改进的协同过滤算法

当前,互联网上存在的商品数以亿计,如何向用户推荐其感兴趣的项目成为一个极具挑战的问题。传统基于用户的协同过滤算法(collaborative filtering)在海量数据情况下存在推荐精度不高、多样性和新颖性不足的缺点。针对以上不足,提出一种基于用户聚类和Logistic函数改进的协同过滤算法。算法基于用户模糊聚类,通过融入用户特征属性相似度度量策略和Logistic改进的协同过滤算法来提升推荐效果。实验结果表明该算法能在保证推荐的有效性同时较好地兼顾推荐的准确性和多样性。

基于BERT的中文地址分词方法

针对传统中文地址分词工作中存在的准确率差,识别率低的问题,提出了一种基于BERT的中文地址分词方法。同时,将非行政级别的地址标签进行重新设计,并通过构建BERT-BiLSTM-CRF模型,将中文地址分词任务转换为命名实体识别任务。利用大量全国地址数据对BERT进行训练,获取文本抽象特征;利用双向长短时记忆网络将文本序列化并结合上下文进一步获取文本特征;通过条件随机场获取最优序列,提取出正确的地址级别。该方法在所使用训练数据集上取得了98.21%的精确率和98.23的F1值,证明了该方法的有效性。

基于层次聚类的共享单车维修点规划模型

该文针对共享单车的固定维修点设置问题,提出了使用蚁群算法优化的层次凝聚聚类方法,该聚类方法使用蚁群算法的信息素机制和簇间距离来进行聚类,通过引入随机性来解决层次聚类的局部最优问题,使用层次聚类的树形结构来应对维修点的数量变化,将每个簇的聚类中心作为维修点位置。该算法在西雅图2015年自行车租车站点位置的真实数据集和加州大学欧文分校的数据集上的仿真实验结果表明,相对于传统聚类算法,该算法可以找出更好的维修点位置。

应用于WMD的相似语义检索加速算法

为了提高Word Mover’s Distance(WMD)算法在大量样本数据中的语义相似性检索响应速度,结合KNN-Search的算法思想,提出了一种应用于WMD的相似语义检索加速算法。通过引入参考点对数据集进行线下预排序,并利用参考点与输入的WMD距离关系划定线上检索样本的范围,以避免在整个样本集中逐句计算与输入句的WMD距离,优化了检索策略;同时设计了两个可调参数以折中算法的效率和精度。实验结果表明,该算法可在保证一定精度的前提下,大幅提高线上检索的响应速度,增强WMD在工业应用上的实用性。

基于深度学习网络的语音情感识别方法研究

针对现有以CNN(Convolutional Neural Networks,卷积神经网络)为深度学习网络特征提取基础的语音情绪识别方法准确率较低的问题,将注意力机制(Attention)和双向GRU(Bi-directional Gated Recurrent Unit,BiGRU,门控循环单元)引入深度学习网络,以提升模型整体的准确率。模型将现阶段在语音领域特征能力效果较好的语音信号梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)作为深度学习网络的输入,通过结合了注意力机制和BiGRU的CNN网络,在CASIA中文语音数据集上相较于传统CNN及一般GRU模型准确率方面均有提升,证明了双向GRU在语音情感识别领域对准确率提高的积极作用。