采用低秩编码优化大语言模型的高校基础知识问答研究

在高等教育领域,基础知识问答系统对学生学术成就提升及教育资源公平分配具有重要作用。近年来已有基于预训练语言模型上使用机器阅读理解和文本相似度匹配的问答技术,在处理复杂的自然语言问题时仍然面临因训练数据不足、模型泛化能力限制等瓶颈导致的回答质量和准确性不足的情况。本研究旨在解决如何在降低资源消耗的同时,提升基础知识问答系统在高校环境中的性能优势和准确率。为实现该目标,提出了一种高校基础知识领域的低秩编码大语言模型微调方法。该方法通过低秩编码的方法降低大语言模型的内存、显存在训练和预测的消耗量,并且运用大语言模型的生成式方法优化我校基础知识数据问答领域的研究与分析,从而提高日常基础知识问答的质量、准确性和响应速度。通过冻结大型预训练模型权重,将高校基础知识语言信息融入原Transformer架构的预训练层,并且加入了问答优化模块来规范生成式模型的准确性。此方法在显著减少下游任务可训练参数数量的同时,可以较好地保留原模型的生成式语言能力,并且针对高校基础知识领域展现出更优的性能优势和准确率。

基于双通道门控复合网络的中文产品评论情感分析

情感分析任务旨在理解和分类实体及其属性所表达的情感极性。在对中文文本进行分类时,现有的方法大多输入特征表示单一,导致模型不能充分学习语义信息。针对上述问题,提出了一种采用双通道门控复合网络的模型DGCN,将词向量和字向量作为双通道的输入,弥补了词向量由于分词不准确等问题造成的缺陷并丰富了语义信息;同时,使用门控机制改进了通道的结合方式,让字向量更好地辅助词向量学习文本的特征信息;在每个通道上都使用双向门限循环网络和卷积神经网络构成的复合网络,让二者优势互补,并添加Attention机制关注更有效的特征。实验结果表明,在中文产品评论情感分析方面,模型DGCN的准确率和F1值优于对照组的,且有良好的应用能力。

基于样本间变异系数改进的自适应谱聚类算法

针对谱聚类算法尺度参数敏感且依赖性强,选取最佳尺度参数困难的问题,提出基于样本间变异系数改进的自适应谱聚类算法(CV_SC).该算法定义能够反映每个样本数据分布信息的标准差和均值,避免尺度参数受噪声点的影响;利用其标准差和均值计算变异系数,以变异系数的倒数作为局部尺度参数,实现尺度参数的自适应选择.多组UCI数据集的对比结果表明,CV_SC算法能够自适应地选取尺度参数且避免了噪声点影响,具有良好的聚类性能和鲁棒性.

非计算机专业C语言综合性实验的教学探索和实践

信息技术快速发展,越来越多的传统学科都要应用计算机技术,其与其他学科结合也越来越紧密,在我国高校非计算机专业中,C语言程序设计已成为一门必修课。C语言作为应用广泛的程序设计工具,是面向过程的结构化程序设计语言,其在实际应用过程具有低级与高级语言、灵活性强以及C语言功能丰富等特点。但是由于C语言具有较强的实践性与逻辑性,且非常抽象,对于非计算机专业的学生而言,他们缺乏一定的程序设计经验,因而若在实际教学过程中采取传统的授课方式,难以达到理想的教学效果。鉴于此,对目前我国高校非计算机专业C语言综合性教学现状进行分析,在此基础上探讨C语言综合性的教学改革策略,在教学过程中采取分而治之的分散实验方法提高教学效果。