位置标签增强的中文医学命名实体级联识别

针对一般领域的命名实体识别方法不能直接用于中文医学专业实体的识别,现有的相关研究只专注于英文文本和扁平结构的医学实体识别等问题,通过对专业领域实体识别方法的研究,结合中文医学实体的特点提出了一种面向中文医学实体的级联识别方法。将每个字符元素相对于实体的位置标签嵌入模型,并结合中文医学实体跨度内不同元素的重要程度进行实体的融合表示。通过序列标注方法检测字符的位置标签,利用字符的位置信息指导候选实体生成,并进行实体语义分类。模型在CMeEE和CCKS2018数据集以及中文糖尿病科研文献数据集上分别进行扁平实体、嵌套实体和不连续性长实体的识别实验。实验结果表明,该方法能够有效地识别中文医学文本中不同结构的实体。

一种用于军事目标发现的舰船知识图谱表示学习框架

我国舰船编队持续扩充,在众多舰船数据中,影响较大的目标数据需要被关注。针对舰船数据难以及时分析的问题,将表示学习框架(relationalgraph Transformer network,RGTN)引入舰船知识图谱分析领域,根据舰船知识图谱的结构及语义特征,研究了一种基于表示学习的节点重要性评估方法对舰船知识图谱进行处理,实现对舰船知识图谱中节点重要性的预测。较之前舰船知识图谱的节点重要性评估算法有更好的表现,更适用于舰船知识图谱分析领域。

基于重要性采样的超图网络高效表示方法

现有的超图网络表示方法需要分析全批量节点和超边以实现跨层递归扩展邻域,这会带来巨大的计算开销,且因过度扩展导致更低的泛化精度.为解决这一问题,提出一种基于重要性采样的超图表示方法.首先,它将节点和超边看作是两组符合特定概率测度的独立同分布样本,用积分形式解释超图的结构特征交互;其次,设计带可学习参数的邻域重要性采样规则,根据节点和超边的物理关系和特征计算采样概率,逐层递归采集固定数目的对象,构造一个更小的采样邻接矩阵;最终,利用蒙特卡洛方法近似估计整个超图的空间特征.此外,借鉴PINN的优势,将需要缩减的方差作为物理约束加入到超图神经网络中,以获取更具泛化能力的采样规则.多个数据集上的广泛实验表明,所提出的方法能够获得更准确的超图表示结果,同时具有更快的收敛速度.

多采样近似粒集成学习

粒化是一种构建粒数据与粒模型的方法.近些年来,有多种粒化方法被提出,如基于样本相似度尺度的相似度粒化、基于邻域关系的邻域粒化和基于特征尺度变换的旋转粒化等.这些粒化方法都在监督与非监督任务中获得优秀的表现.但是这些粒化方法都是基于样本本身的度量关系构建的,会导致样本在粒化过程中的信息量呈现不同量级的扩展现象.这一特征使粒化后的粒子在一些情况下难以处理.因此,提出一种基于多采样方法构建近似粒子的粒化方式以保证粒化过程被限制在有限量级,并且在粒化过程中抛弃固定的度量关系式,粒化的结果会随着选取的近似集与近似基模型的不同而变化,使得样本在粒化为粒子时有着更高的灵活性.文中对多采样近似粒化和多种粒化方法进行详细比较,结果表明多采样近似粒化有着更高的分类性能,且与多种先进的集成算法做了详细比较,结果表明在分类任务上多采样近似粒集成模型拥有着更好的鲁棒性与泛化性.

基于BIM+GIS的铁路三维信息实景化技术研究

BIM+GIS技术可用于铁路环境的模拟分析,目前在BIM模型信息的语义场景转化方面的扩展尚显不足,造成部分BIM模型转化后信息冗余或缺失的现象。针对此问题,提出一种坐标转换方法,将铁路BIM模型相对坐标转化为GIS地理坐标,并设计了一种考虑铁路场景复杂度的三维模型与GIS地形匹配方法,以实现铁路BIM模型在不同三维场景下的精确匹配,基于构建的对象重要性评价模型,实现了符号化三维铁路场景多尺度表达,该方法有效解决模型漂浮或模型淹没等问题,满足大比例尺下探析三维场景要素和目视精确定位的场景需求,同时兼顾铁路BIM模型轻量化按需加载的应用要求。研究成果解决了铁路BIM模型与三维GIS地理场景精确匹配与表达的技术难题,具有较高的理论意义和工程实践价值。

基于图粗化的层次图池化方法研究

图神经网络(Graph Neural Networks, GNNs)已被证明能有效对图结构数据进行建模,池化机制在使用GNN模型提取图层次特征过程中至关重要,近年来已经引起了越来越多研究者们的关注.现有基于聚类的层次图池化方法要么需要增加额外的神经网络层以实现特征图的粗化;要么不能从全局角度捕获节点在图中的重要性大小.针对以上问题,本文提出一种基于图粗化的层次图池化方法(Hierarchical Graph Pooling Based on Graph Coarsening, HGP-GC),用于学习图的层次特征表示.该方法主要包括图结构粗化和图属性粗化两个部分.利用结构粗化实现特征图尺寸的缩减;利用属性粗化突显图中重要节点对图级表示的关键作用.通过将HGP-GC池化策略与现有神经网络相结合,在不同规模公共数据集上的图分类实验结果证明了HGP-GC的有效性.

重中之“重”——具身视角下重的体验与表征

关于重要性的隐喻存在于多种文化之中。近年来的实证研究表明,重要性的隐喻建立在重量的身体体验之上。重量的身体经验会影响对目标对象重要性的评估,重要性的概念表征也会影响身体的重量感知。重量的身体体验与重要性的概念可能存在着共同的神经基础,并构成一种相互作用的关系。具身视角下的概念表征理论和隐喻理论为解释这一现象提供了理论依据。未来的研究需要进一步探索重量隐喻涉及的范围,以及重量隐喻形成的语言文化差异。

一种基于重要点的时间序列分段算法

基于重要点的时间序列线性分段算法能在较好地保留时间序列的全局特征的基础上达到较好的拟合精度。但传统的基于重要点的时间序列分段算法需要指定误差阈值等参数进行分段,这些参数与原始数据相关,用户不方便设定,而且效率和拟合效果有待于进一步提高。为了解决这一问题,提出一种基于时间序列重要点的分段算法——PLR_TSIP,该方法首先综合考虑到了整体拟合误差的大小和序列长度,接着针对优先级较高的分段进行预分段处理以期找到最优的分段;最后在分段时考虑到了分段中最大值点和最小值点的同异向关系,可以一次进行多个重要点的划分。通过多个数据集的实验分析对比,与传统的分段算法相比,减小了拟合误差,取得了更好的拟合效果;与其他重要点分段算法相比,在提高拟合效果的同时,较大地提高了分段效率。

采用Morse理论的小尺度地形特征提取方法

Li DAR点云为小尺度地表形态的提取与表达提供了精确的数据源,但其高密度性与不确定性,导致应用Morse理论提取的特征点中含有大量的"伪特征点"。这里首先通过定义特征点指数等一系列概念,模拟特征点周围区域的地表形态,建立特征点重要性度量指标与计算方法;然后给出了地表重要特征点的提取算法;最后,进行了试验验证与分析。结果表明:提出的算法优于现有的持续值法与自然法则法,可以有效剔除"伪特征点",实现基于Li DAR点云小尺度复杂地形的特征点精确提取与多层次表达。

重要花卉植物高密度遗传连锁图谱构建研究进展

遗传连锁图谱是以遗传标记间重组频率为基础的染色体或基因组内位点相对位置的线性排列图,高密度遗传图谱构建可实现物理图谱和遗传图谱的整合,对促进基因图位克隆具有重要作用。利用遗传图谱可有效地提高育种效率和改良品种。重要花卉植物高遗传图谱精密度尚无法满足精细定位研究的要求,百合、紫薇、郁金香、向日葵等重要花卉高密度遗传图谱构建研究较少,制约了花卉植物分子育种研究进程。概述了高密度遗传图谱构建流程及作图方法,综述了牡丹、梅花、月季、菊花、兰花、荷花、桂花等重要花卉植物遗传图谱构建研究进展,讨论了重要花卉植物高密度遗传图谱构建存在的主要问题,对今后重要花卉植物遗传图谱构建研究的发展方向及其在育种中的应用前景进行了展望,以期为花卉植物基因定位、辅助基因组组装、比较基因组学、基因克隆、分子标记辅助育种等提供参考。

基于重要性池化的层级图表示学习方法

为解决传统图神经网络在图分类任务上存在训练过程中噪声信息过多以及不能完整地挖掘图的层次表征信息等问题,提出一种端到端的基于重要性池化的层级图表示学习方法。该方法以层内-层间联合特征提取结构为基础,主要包括层内特征提取模块和层间特征提取模块2个部分。利用池化方法将图粗粒化为高级子图结构,以缩减特征图的尺寸;利用循环单元,以抑制层间噪声的传播,并自适应地聚集层级表征。实验结果表明,在合理的时间复杂度下,该方法能使损失函数收敛于更小的值,且模型精度有明显的提升。

改进的基于重要点的时间序列数据分段方法

时间序列数据是日常生活中十分常见的一类数据,由于它具有维数高,数据量大的特点,对这类数据进行压缩表示,是进一步进行数据挖掘的前提。首先将基于重要点的表示方法与其他几种表示方法进行了比较,然后对基于重要点的表示方法进行了改进,采用优先级队列作为辅助,在用户可以指定的压缩比例下,选出重要点。实验证明,该方法取得了良好的效果。

基于网络节点中心性的新闻重要性评价研究

评价权威报刊的新闻重要性对于正确理解国家政策变化具有重要意义。该文以《人民日报》为例,抽取发表在1946-2008年期间的新闻,利用其内容相似性构建新闻网络。从复杂网络视角,一篇新闻与其他新闻的相似性越高,其在新闻网络中连接越紧密,具有较大的节点中心性。鉴于此,该文将H指数引入PageRank排序算法,提出H-PageRank排序算法,利用其计算H-PageRank中心性,评价新闻重要性。在实验过程中,考虑到不同领导核心执政时期《人民日报》的新闻风格与新闻版面的差异性将新闻划分为4个时代,基于表示学习分别形成对应的新闻网络。研究结果表明:1)4个新闻网络的拓扑结构都表现出高聚类性与同配性,且具有近似幂律的度分布,表现出复杂网络一般特性;2)基于多种网络节点中心性指标,对每个新闻网络中的节点进行全局排序,并以是否成为头版新闻为重要性的评价准则计算得到相近的AUC值,然后基于局部排序的Top-N评价方法计算得到正确率、召回率和F1指标,综合以上指标的实验结果表明,H-PageRank中心性显著优于其他算法的中心性,验证H-PageRank排序算法的有效性;3)针对每个新闻网络,基于网络节点中心性的Top-N评价方法不同排序列表长度条件,其计算得到的正确率显著高于理论基准,表明评价方法的鲁棒性。

基于格式语义格的自动标引和词相似度计算

在传统矢量空间检索模式中 ,仅仅依赖孤立的关键词来进行文献的标引 ,而自然语言中充斥着大量的语义关联和多义、歧义问题 ,这样往往使得文本信息的表示和检索结果难以尽如人意。可见 ,尽可能丰富地捕捉存在于上下文中的语义关联 ,对于有效地标引和检索是相当重要的。本文提出了一种利用语义格进行文献的语义表述的方法 ,对标引词的语义格加权算法做了更为合理的解释和推导 。

美的升值——汉代审美走向自觉的重要表征

先秦时代声色之美和形式之美基本上没有独立的价值和地位。这种情况在汉代发生了重大变化:纯粹意义上的形式美开始成为自觉的追求;对声色之美和形式美的展现和追求在更大范围内展开;声色之美和形式美因素成为审美接受和评判的标准。从这种新变化、新发展、新趋势的总体来看,可以概括为:美的升值。它与审美走向自觉相同步,并成为其重要表征。

基于重要性加权的结构稀疏跟踪方法

针对视觉跟踪中描述目标能力的有限性和局部稀疏表示模型的有效性,提出了一种基于重要性加权的结构稀疏跟踪方法。该方法采用结构稀疏表示对目标表观建模,根据在表达目标表观时所起的作用,对每个局部图像进行加权处理;在粒子滤波框架下,应用最大后验概率对目标的状态进行估计;通过带有遮挡检测机制的模板更新策略对目标模板进行在线的更新以避免跟踪漂移。实验表明,该方法有效地减弱了目标表观变化对模型的影响,对于视频序列中的遮挡、光照变化和目标姿态改变等有稳健的跟踪效果。

常见政策新词新译与误译

本文通过引用名人名言与权威出版物,分析一些常见词汇的翻译与误译。作者旨在区别新词汇的正译与误译,并希望译者在翻译中,特别是在词汇的拣选上,做得更好。

以“三个代表”为指导,做好新时期共青团工作

“三个代表”重要思想对指导我们各项工作都具有十分重要的意义。新时期高校共青团工作要认真实践“三个代表”重要思想 ,以开发青年人力资源为核心 ,以服务学生为切入点 ,以加强校园文化建设为主线 。

发展视阈中的马克思主义中国化的理论创新成果

在中国共产党领导全国人民从争取民主及民族独立到全面建设小康社会的奋斗历程中,从发展的视阈来看中国共产党人的理论创新,可以分阶段称之为民主独立发展论、改革开放发展论、"三个代表"发展论、科学和谐发展论。

广义规则表示及其推理算法

一般的知识规则表示法,既没有考虑前提条件对结论的不平等性,又没有考虑时间对结论成立的影响,而这些问题对某些领域是非常重要的.另一方面,在不精确推理中,以往的系统都推到终结点之后,才根据阈值判定此结论是否成立,因而影响了推理速度,为此,本文在实践的基础上,提出了“重要度”、“时间因子”及“分层阈值”等概念和它们的算法及推理算法.