Transformer优化及其在苹果病虫命名实体识别中的应用

为提高苹果生产领域实体识别的准确性,提出一种新的Transformer优化模型。首先,为解决苹果生产数据集的缺失,基于苹果栽培领域园艺专家的知识经验,创建以苹果病虫害为主的产业数据集。通过字向量与词向量的拼接,提高文本语义表征的准确性;随后,为防止位置信息缺失,引入具有方向和距离感知的注意力机制,平均集成BiLSTM的上下文长距离依赖特征;最后,结合条件随机场(Conditional random fields, CRF)约束上下文标注结果,最终得到Transformer优化模型。实验结果表明,所提方法在苹果病虫命名实体识别中的F1值可达92.66%,可为农业命名实体的准确智能识别提供技术手段。

一种基于协同过滤推荐的大学生学业预警系统

针对当前大学生学业预警大都仅仅是基于学分成绩而存在片面性且不太准确的问题,本文通过将学生和课程分别类比为“用户”与“商品”,采用基于Item的协同过滤(Item-based collaborativefiltering,ItemCF)推荐技术实现向学生“推荐”最有可能挂科的课程,协助完成大学生的学业预警。该基于ItemCF的学业预警算法在Spark上实现,相比于FP-growth,基于协同过滤推荐等方法的大学生学业预警系统可以获得50.74%的召回率、25.25%的精确度、33.72的F1-Messure和85.19%的覆盖率。