基于BERT的中文新闻标题分类

为解决海量新闻标题分类任务准确率低的问题,提出了一种基于BERT的中文新闻标题分类算法。使用BERT预训练的词向量作为嵌入层,根据输入文本进一步优化词向量,使用单向GRU网络提取主要的文本特征,连接注意力机制,对特征加权求和来调整权重比例,连接单向LSTM网络提取上下文特征,进行分类。实验结果表明,BGAL模型在进行中文新闻标题分类任务时,可以有效兼顾分类精度和运算效率,在处理THUCNews数据集时,达到了94.78%的准确度,比BERT_RNN高出1.07%。

基于地域特征的物流仓储中心逆向选址算法

物流仓储中心地址的选取,从根本上决定了物品出发地和运达地之间的距离,直接关系到物品能否被及时高效地运输,以及配送成本和仓储成本能否最小化。针对传统物流仓储中心选址求解算法脱离实际应用、且容易出现局部最优、求解速度较慢和注意力单一等问题。为减少物流配送时间,降低物流成本,切实提出选址解决方案,通过对K均值聚类算法和帝王蝶优化算法(Monarch butterfly optimization, MBO)进行改进,研究了京津冀地区物流仓储中心的选址问题。实验仿真结果表明:所提出的改进帝王蝶优化算法较其他优化算法在求解精度、收敛速度和迭代次数上均有优势,能够有效完成物流仓储中心选址问题,切实可以缩短物流配送距离,提高物流配送效率。