基于句子级上下文内容的神经机器翻译方法

传统的神经机器翻译方法在忽略句子层面语境的情况下,利用词层面语境来预测目标语的翻译,这有利于统计机器翻译中的翻译预测;但由于词的主题往往是根据句意和上下文动态变化的,存在一词多义等复杂情况;这会导致翻译的不准确;因此,利用卷积神经网络将句子级上下文表示为潜在的主题表示,并设计了一个主题关注度模型,将源句子级主题上下文信息集成到基于Attention和基于Transformer的神经机器翻译方法中;实验结果表明,提出的方法的BLEU评分最高大约等于40。

基于频繁标引格的移动内容推荐方法研究

针对目前移动内容服务系统缺乏自动构建情境服务规则机制的问题，在情境化用户偏好本体模型的基础上，提出量化频繁标引格结构以建立用户内容偏好与情境之间的语义关联，为规则冲突问题和上下文数据可用性问题提供了解决方案。频繁标引格相对于频繁格进一步减少了产生规则所需的结点数目，更便于不同规则的提取和相关参数的计算。设计了频繁标引格分层构建的算法和推荐规则提取的优先级机制，通过实验验证了算法的有效性，并与相关方法进行了比较分析。

基于SPIHT和分类比特编码的无损图像压缩

在整数小波变换的基础上提出了一种基于SPIHT分类比特平面上下文编码的无损图像压缩算法,和其他方法比较,把变换后的系数分成符号模板、高位比特位、低位比特位三类,对高位比特位的系数用SPHIT算法进行编码,而符号模板和低位比特位用基于上下文的算术编码,在低位比特位的上下文编码中不仅考虑了同一位平面的相邻位置相关的上下文,也考虑位平面之间的上下文。实验表明,提出的方法具有较好的压缩效果。