基于时间上下文语义分析的智慧图书馆书籍推荐方法

书籍推荐是智慧图书馆的重要功能,但是现行方法应用效果并不理想,平均绝对误差(MAE)值比较高,查全率(Recall)值比较低。针对现行方法存在的不足和缺陷,提出了基于时间上下文语义分析的智慧图书馆书籍推荐方法。收集智慧图书馆书籍阅读评论信息,对读者阅读书籍时间行为、读者阅读偏好、书籍评论语义的表达进行分析,建立智慧图书馆书籍读者评论模型。利用时间函数确定模型中读者阅读书籍兴趣的时间权重,并根据模型中书籍评论上下文语义特征,预测读者对书籍的评分,生成书籍推荐列表,实现基于时间上下文语义分析的智慧图书馆书籍推荐。经实验证明,所提方法MAE值低于0.05,Recall值高于97%,能够实现智慧图书馆书籍精准推荐。

C^(2)Transformer U-Net:面向跨模态和上下文语义的医学图像分割模型

跨模态的医学图像可以在同一病灶处提供更多的语义信息,针对U-Net网络主要使用单模态图像用于分割,未充分考虑跨模态、上下文语义相关性的问题,该文提出面向跨模态和上下文语义的医学图像分割C^(2)Transformer U-Net模型。该模型的主要思想是:首先,在编码器部分提出主干、辅助U-Net网络结构,来提取不同模态的语义信息;然后,设计了多模态上下文语义感知处理器(MCAP),有效地提取同一病灶跨模态的语义信息,跳跃连接中使用主网络的两种模态图像相加后传入Transformer解码器,增强模型对病灶的表达能力;其次,在编-解码器中采用预激活残差单元和Transformer架构,一方面提取病灶的上下文特征信息,另一方面使网络在充分利用低层和高层特征时更加关注病灶的位置信息;最后,使用临床多模态肺部医学图像数据集验证算法的有效性,对比实验结果表明所提模型对于肺部病灶分割的Acc,Pre,Recall,Dice,Voe与Rvd分别为:97.95%,94.94%,94.31%,96.98%,92.57%与93.35%。对于形状复杂肺部病灶的分割,具有较高的精度和相对较低的冗余度,总体上优于现有的先进方法。

一种基于上下文语义信息的图像块视觉单词生成算法

基于视觉单词的词包模型表示(Bag-of-Words)算法是目前场景分类中的主流方法.传统的视觉单词是通过无监督聚类图像块的特征向量得到的.针对传统视觉单词生成算法中没有考虑任何语义信息的缺点,本论文提出一种基于上下文语义信息的图像块视觉单词生成算法:首先,本文中使用的上下文语义信息是视觉单词之间的语义共生概率,它是由概率潜在语义分析模型(probabilistic Latent Semantic Analysis)自动分析得到,无需任何人工标注.其次,我们引入Markov随机场理论中类别标记的伪似然度近似的策略,将图像块在特征域的相似性同空间域的上下文语义共生关系有机地结合起来,从而更准确地为图像块定义视觉单词.最后统计视觉单词的出现频率作为图像的场景表示,利用支持向量机分类器完成图像的场景分类任务.实验结果表明,本算法能有效地提高视觉单词的语义准确性,并在此基础上改善场景分类的性能.

基于多尺度上下文语义信息的图像场景分类算法

传统视觉词典模型没有考虑图像的多尺度和上下文语义共生关系.本文提出一种基于多尺度上下文语义信息的图像场景分类算法.首先,对图像进行多尺度分解,从多个尺度提取不同粒度的视觉信息;其次利用基于密度的自适应选择算法确定最优概率潜在语义分析模型主题数;然后,结合Markov随机场共同挖掘图像块的上下文语义共生信息,得到图像的多尺度直方图表示;最后结合支持向量机实现场景分类.实验结果表明,本文算法能有效利用图像的多尺度和上下文语义信息,提高视觉单词的语义准确性,从而改善场景分类性能.

基于多模态融合和时空上下文语义的跨媒体检索模型的研究

如何跨越低层特征描述到高层语义知识的"语义鸿沟"已成为跨媒体检索(CMR)问题的关键,提出一个基于多模态融合描述和时空上下文语义的跨媒体检索模型,对多模态融合的特征采用主成分分析(PCA)和独立成分分析(ICA)相结合的降维算法、采用基于支持向量机(SVM)和隐马尔可夫模型(HMM)的混合分类器进行语义映射,同时给出了时空模糊聚类分析方法和基于相关反馈的跨媒体检索算法。并在此基础上开发出基于该模型的原型系统,成功验证了该模型的可行性和正确性,可为相关系统的设计者提供思路。

基于随机化视觉词典组和上下文语义信息的目标检索方法

传统的视觉词典法(Bag ofVisual Words,BoVW)具有时间效率低、内存消耗大以及视觉单词同义性和歧义性的问题,且当目标区域所包含的信息不能正确或不足以表达用户检索意图时就得不到理想的检索结果.针对这些问题,本文提出了基于随机化视觉词典组和上下文语义信息的目标检索方法.首先,该方法采用精确欧氏位置敏感哈希(Exact Euclidean Locality Sensitive Hashing,E2LSH)对局部特征点进行聚类,生成一组支持动态扩充的随机化视觉词典组;然后,利用查询目标及其周围的视觉单元构造包含上下文语义信息的目标模型;最后,引入K-L散度(Kullback-Leibler divergence)进行相似性度量完成目标检索.实验结果表明,新方法较好地提高了目标对象的可区分性,有效地提高了检索性能.

一种结合上下文语义的短文本聚类算法

短文本因具有特征信息不足且高维稀疏等特点,使得传统文本聚类算法应用于短文本聚类任务时性能有限。针对上述情况,提出一种结合上下文语义的短文本聚类算法。首先借鉴社会网络分析领域的中心性和权威性思想设计了一种结合上下文语义的特征词权重计算方法,在此基础上构建词条-文本矩阵;然后对该矩阵进行奇异值分解,进一步将原始特征词空间映射到低维的潜在语义空间;最后通过改进的K-means聚类算法在低维潜在语义空间完成短文本聚类。实验结果表明,与传统的基于词频及逆向文档频权重的文本聚类算法相比,该算法能有效改善短文本特征不足及高维稀疏性,提高了短文的本聚类效果。

基于上下文语义的社交网络用户人格预测

在利用文本信息预测用户大五人格的普遍方法中,对于文本特征的提取未充分考虑上下文语义信息,存在对语义特征提取不够精准的问题.针对该问题,提出了一种结合深度学习与上下文语义的方法:在TF-IDF中加入单词的上下文语义信息来计算单词权值,然后结合基于文本的卷积神经网络模型和由单词权值构成的上下文语义特征向量进行用户大五人格预测.实验数据使用Facebook中myPersonality应用的用户社交记录,实验结果表明:将文本上下文语义加入到深度学习预测模型后,人格预测的准确率有所提高.

基于上下文语义词库的OCR识别方法

针对目前提高印刷图文版面OCR识别率所存在的技术瓶颈,提出了基于上下文词库的相似字型识别技术,以解决汉字集合中大量存在的相似字符的精确识别问题。实验系统测试表明,新方法对于提高印刷图文版面中相似字型的识别率具有明显效果。

基于上下文语义信息的铁路扣件状态检测

针对传统"视觉词包(BOW)模型"识别铁路扣件状态时仅利用扣件图像的特征域,忽略其空间域中上下文语义信息的缺点,提出了一种基于上下文语义信息的扣件检测模型。在传统"视觉词包模型"的基础上,引入吉布斯随机场模型对图像中像素的空间相关性进行建模,将图像块在特征域的相似性与空间域的上下文语义约束关系结合,更准确地定义视觉单词;利用潜在狄利克雷分布(LDA)学习扣件图像的主题分布;采用支持向量机(SVM)对扣件进行分类识别。对4类扣件图像的分类实验证明:模型能够有效提高扣件分类精度。

融合上下文语义信息的汉越平行短语对抽取方法

越南语是一种典型的资源稀缺型语言,汉越平行语料较为稀少,但在如维基百科、双语新闻等网站上存在大量的汉越可比语料.而从可比语料中抽取平行短语对任务能够有效缓解低资源机器翻译中面临的数据稀疏性问题.考虑到上下文语义信息对抽取高质量的双语短语对有重要支撑.提出了融合上下文语义信息的汉越平行短语对抽取方法.首先使用汉、越单语语料训练汉、越向量矩阵;然后预训练编码器,通过注意力机制将句子编码信息和短语编码信息进行结合,生成含有上下文语义信息的单语短语向量,同时将平行短语对作为约束,使汉越短语向量在语义空间中距离最小化,非平行短语对的距离最大化,得到汉越双语短语向量表示;最后利用预训练好的编码器来对平行短语对分类器进行训练.实验结果证明,所训练的分类器的准确度达到75.62%,同时,为了检测抽取出来的平行短语对质量,将其添加到SMT的训练语料中,与基线系统相比,提升了0.93Bleu.

基于方面级情感分析的深度语义挖掘模型

方面级情感分析是一种细粒度的情感分类任务,具有广泛的应用前景,正因为如此,得到了广泛关注与研究,尤其是近年来,基于依赖树的图神经网络和基于注意力的网络模型的研究取得了较大进展.但是,由于在线评论表达的复杂性和依赖关系不易解析使得这些方法在情感分析的性能上得不到有效提升.为了克服这些挑战,本文提出了一种同时考虑句法语义和上下文语义的深度语义挖掘模型(Deep Semantic Mining Model,DSMM).具体地,为了深度挖掘句法背后隐含的深度语义,模型采用并行的图卷积和多头注意力机制挖掘丰富的语义;为了充分利用句法语义和上下文语义的内在关联关系,采用了关联注意力机制获取句法语义和上下文语义的相关性,并且采用自适应方面路由机制有效获取方面的情感语义,并在此基础上,通过引入基于依赖树的语义位置嵌入,进一步增强方面-意见词的关联.在三个公共数据集上的实验结果表明,该模型在复杂句情感分析中既能从不同语义空间挖掘句子的语义特征,也能有效利用句法特征强化句子的语义表征,在分类准确率和泛化能力上的表现优于相关工作.

结合三维交互注意力与语义聚合的表情识别

针对传统卷积网络难以有效整合不同阶段人脸面部表情的特征、存在特征表征瓶颈以及无法高效利用上下文语义等问题,提出了一种结合三维交互注意力与语义聚合的面部表情识别方法。在秩扩展(ReXNet)网络的基础上对其进行优化,在消除表征瓶颈的情况下,融合上下文特征,使其更适配表情识别任务。为捕获判别性人脸表情细粒度特征,结合非本地块与跨维度信息交互理论构建了三维交互注意力。为充分利用表情的浅中层底层特征与高层语义特征,设计了语义聚合模块,将多级全局上下文特征与高级语义信息进行聚合,达到同一类别的表情语义相互增益、增强类内一致性的目的。实验表明,该方法在公开数据集RAF-DB、FERPlus和AffectNet-8上的准确率分别为88.89%、89.53%与62.22%,展现了该方法的先进性。

基于语义上下文分析的因特网人物信息挖掘

网络信息的爆炸式增长给人物信息的自动获取带来了巨大挑战.论文针对因特网上大量的人物信息,设计了一种基于语义上下文分析的人物信息挖掘体系框架,重点阐述了人物简历信息识别方法、基于隐马尔可夫模型(HMM,H idden M arkovModel)的命名实体识别方法和基于语义上下文分析的人物信息抽取算法.经实验表明:基于语义上下文分析的人物信息挖掘方法具有较高的信息抽取效率和精度.

基于上下文和浅层空间编解码网络的图像语义分割方法

当前图像语义分割研究基本围绕如何提取有效的语义上下文信息和还原空间细节信息两个因素来设计更有效算法.现有的语义分割模型,有的采用全卷积网络结构以获取有效的语义上下文信息,而忽视了网络浅层的空间细节信息;有的采用U型结构,通过复杂的网络连接利用编码端的空间细节信息,但没有获取高质量的语义上下文特征.针对此问题,本文提出了一种新的基于上下文和浅层空间编解码网络的语义分割解决方案.在编码端,采用二分支策略,其中上下文分支设计了一个新的语义上下文模块来获取高质量的语义上下文信息,而空间分支设计成反U型结构,并结合链式反置残差模块,在保留空间细节信息的同时提升语义信息.在解码端,本文设计了优化模块对融合后的上下文信息与空间信息进一步优化.所提出的方法在3个基准数据集CamVid、SUN RGB-D和Cityscapes上取得了有竞争力的结果.

视频语义上下文标签树及其结构化分析

视频内容具有非常强的时间关联和逻辑结构,镜头语义是视频内容理解的基本单元。从符合人类认识理解视频内容的角度来看,镜头语义之间隐含着时间上、语义上、结构上的多种上下文关联信息。合理地描述这种上下文信息至关重要。为此,首先采用一棵带有上下文标签的标签树作为镜头语义上下文层次结构的表征模型,以序列化的镜头语义序列为底层叶节点,以内节点的上下文标签表征镜头语义间的上下文关联,其树形结构与视频内容层次化表征形式一致,能为视频内容理解提供显著的信息增益。然后,着眼于解决镜头语义从其序列结构向标签树的层次结构转化,采用结构化支持向量机的分析方法,根据镜头语义序列和视频语义上下文标签树的联合特性构造了语义上下文结构化函数和损失函数,实现了镜头语义的结构化分析。实验结果表明,视频语义上下文标签树在时序性、层次性、领域性、逻辑性等方面具有良好的表征能力,而基于结构化支持向量机的结构化分析方法在镜头语义上下文分析的准确率、召回率及F1值表现良好。

基于多尺度语义编解码网络的遥感图像语义分割

针对遥感图像语义分割中存在的多层次信息提取和多尺度特征图上下文依赖性两个问题,本文分析现有处理方案,提出了一种综合运用多项技术的多尺度语义编解码网络(Multi-scale Semantic Encoder-Decoder Networks,MSEDNet).MSEDNet由编码与解码两部分构成.编码阶段,首先提出残差协同空间注意(Residuals Coordinate Spatial Attention,RCSA)的MobileNetV3增强型模块,提取语义信息;其次,设计多层增强语义上下文模块(Enhance Semantic Context Module,ESCM),提升多尺度结构特征图的表征能力.解码阶段,首先提出多核卷积与Focus并行的强化空间细节信息模块(Strengthen Spatial Detail Information Module,SSDIM),增强浅层特征细节和结构信息;其次,设计了三元迭代多尺度特征融合(Triplet Iterative Multi-Scale Feature Fusion,TIMSFF)策略,强化图像深层全局语义信息与浅层局部细节特征的多尺度融合,提升分割精度.所提模型在ISPRS Vaihingen和Potsdam数据集上验证,总体分割精度(Overall Accuracy,OA)分别达到95.699%、95.534%,平均F1-score(mean F1-score,m F1)分别提高2.661%和2.929%,且平均交并比(mean Intersection over Union,mIoU)分别增长3.973%和4.012%.所耗参数量Param下降至6.77 M.

基于语义图和语义扫描上下文的激光点云两步重定位方法

为更好解决基于同步定位与地图构建(SLAM)地图无人车的长期定位问题,提出一种基于语义图相似匹配与候选帧的语义扫描上下文描述符,通过粗、细两步定位实现对点云场景的重定位。首先,提取点云语义和几何特征,剔除移动、可移动类对象,通过融合语义信息和拓扑关系构建语义图,以图相似度计算实现快速重定位粗匹配;其次,通过全局语义迭代最近点(ICP)方法计算点云之间的相对偏航角和水平位移,为点云配准提供良好的初始值;最后,通过语义扫描上下文生成全局语义描述符,通过对比描述符判别点云相似性,完成精准重定位。实验结果表明:所提方法相较基于语义图的地点识别方法在地点识别精度、遮挡场景和视角变化场景下精度分别提升20.10%、20.90%和20.47%。

融合深层语义与空间精确度的低照度图像增强方法

全局深层上下文语义特征与空间精确度特征对深度学习低照度图像增强都非常重要,论文针对主流增强网络架构中深层上下文语义获取与保留空间精确度间的矛盾,提出融合深层语义及空间准确度的低光照图像增强方法。首先,不同深度的双编码结构并行提取全局深层上下文语义特征及空间精确度特征;其次,采用注意力及特征融合机制筛选聚合上下文语义特征与空间精确度特征;最后由单解码结构完成图像增强重建。实验结果,定性分析该方法能适应不同退化光照场景且增强结果纹理细节丰富、全局亮度提升自然、噪声伪影不明显、色彩真实;定量分析在PSNR、SSIM、RMSE、NIQE中较次优算法分别提升0.259、0.132、0.446、0.083。结果表明,论文方法有较好泛化性,结果综合质量较优,具有一定应用价值。

基于对抗训练的事件要素识别方法

针对目前大多数事件要素识别模型未考虑词级别的语义信息,及模型鲁棒性不高的问题,提出一种融合词信息和对抗训练的事件要素识别方法。将Bert(bidirectional encode representations from transformers)预训练语言模型生成的字向量与分词信息进行融合,在得到的融合向量中添加扰动因子产生对抗样本,将对抗样本与融合向量表示作为编码层的输入;采用BiGRU(bidirectional gating recurrent unit)网络对输入的文本进行编码,丰富文本的上下文语义信息;采用CRF(conditional random field)函数计算完成事件要素的识别任务。在CEC(Chinese emergency corpus)中文突发事件语料库上的实验结果表明,该方法能够取得较好的效果。