“红绿灯”营养信息标签助推低自控者健康决策

采用问卷调查和行为实验相结合的方法,探究自我控制水平对健康决策的影响,并进一步探讨“红绿灯”营养信息标签在其中的助推作用。结果发现,自我控制对健康决策有显著的正向预测作用,同时,“红绿灯”营养信息标签可以有效帮助低自控者做出健康决策。本研究结果不仅对以往相关理论做了有效补充,也对助推低自控者进行健康决策具有指导意义。

产品信息标签的技术诱导效应研究:基于能效标识制度的实证

运用关键词频统计法,构建中国1999-2013年节能节电专利面板数据,以能效标识制度为切入点,从专利数量、相对专利产出和技术重心等指标分析能效标识制度对技术创新的影响,进而考察产品信息标签对技术创新的诱导机制。研究发现:(1)能效等级信号是能效标识制度能否诱导技术创新的关键;(2)能效标识制度对节能节电类专利具有显著正向影响,即能效标识制度对技术创新具有显著诱导效应;(3)能效标识制度不仅能够提升节能节电专利与节水专利之间的比值,而且能够显著提高节能节电专利占所有专利的比例,即该政策导致偏向性技术进步;(4)相对而言,能效标识制度对创新程度较高的发明专利具有更强的诱导效应。为此,完善能效标识制度、推广产品信息标签,有助于引导技术进步,促进社会可持续发展。

采摘机器人自动识别系统研究--基于英文字母多元信息标签

将英文字母多元信息标签应用于采摘机器人选择性采摘作业中,结合英文字母的分割与识别算法,设计了英文字母自动识别系统的硬件平台和软件移植,实现了英语字母多元信息标签自动识别的功能,对水果分等级采摘和分等级存放具有重要的现实意义。

可变信息标签印刷和加工

可变信息标签的内容可随着时间、数量、商品的种类不断变化而变化,本文从材料、印刷及印后加工等方面对其进行了全面的介绍。

大数据时代信息标签化现象及其影响

在大数据背景下,人工智能算法的发展带来了数据“标签化”现象。这一现象的出现,是时代发展的必然趋势,方便了数据平台进行信息检索、更高效地处理数据,然后呈现给用户。然而这一现象的出现也为网络环境带来了消极影响——标题党和营销号。其利用标签化的漏洞,在网上散布文题不符的文章、视频,骗取点击量,威胁到现实社会的秩序。此外,信息茧房现象也随之出现,人们所接触的圈子被人工智能算法局限在小范围内。在数据标签化的同时,给用户打上了标签,并由此引发个人隐私问题。文章简要分析标签化带来的影响和对应的改进措施。

有关茶叶食品质量信息标签的问题研究

如今食品质量安全问题已逐渐演化成为一个重大的社会经济热点问题,而生产者与消费者之间的信息不对称是食品安全问题频发的重要原因,在茶叶市场上,卖方出现以次充好的欺诈行为,消费者却难以辨别,其利益极易受到损失。目前我国利用食品质量信息标签来引导消费者正确识别食品质量,通过规范食品质量信息标签可以有效缓解信息不对称问题,进而促进茶叶市场良性发展。本文建议加大对茶叶食品质量信息标签的宣传科普,尤其是农产品认证、可追溯标识等新型标签,同时政府应规范和监督各类信息标签认证流程,完善可追溯体系建设。

公共健康视阈下我国食品信息标签规制之检视

食品信息标签是食品安全信息的重要载体,合理规制有助于保障食品安全、促进公共健康。随着《中华人民共和国食品安全法》的出台和相关国家标准的发布,我国食品信息标签法律制度已初步形成,但食品信息标签仍存在信息不完整、理解困难等问题,为食品安全风险埋下隐患,也变相导致了消费者的不合理饮食习惯。应当深刻检视当前我国食品信息标签规制现状,充分反思法律规范的健全程度和监管机构的监管力度,以维护公共健康和消费者知情权为落脚点,寻找符合我国国情的制度优化进路。

手术患者头部粘贴身份信息标签在提高身份确认执行率的应用研究

目的:节省手术患者身份确认时间,加强可实行性,提高手术中进行安全核查及输血用药前核查患者身份的速度及执行率。方法:在2018年1月-2018年6月本院1295例择期腹腔镜及脐水平以上部位手术的患者中,随机抽取655例作为对照组,640例作为试验组。对照组患者只采用传统佩戴手腕带方式,试验组患者采用佩戴手腕带与头部或足背粘贴身份信息标签相结合方式,比较两组患者在切皮前、输血用药前进行身份确认的完成时间、有效执行率。结果:在切皮前与术中输血用药前手术人员分别对患者进行身份确认,试验组平均完成时间为20s、有效执行率为100%,对照组平均完成时间为48s、有效执行率为70%,试验组较对照组的完成时间节省58%、有效执行率提高30%(P<0.05)。结论:对手术患者采用佩戴手腕带与头部或足背粘贴身份信息标签相结合的方式,可确保手术人员在切皮前及输血用药前切实执行患者身份确认工作,有效落实手术安全核查、输血用药查对制度。

基于标签信息融合与多任务学习的中文命名实体识别

随着中文命名实体识别研究的不断深入,大多数模型关注融入词汇或字形信息来丰富特征表示,但是却忽略了标签信息。因此文中提出了一种融合标签信息的中文命名实体识别模型。首先,通过预训练模型BERT-wwm得到字符的嵌入表示,并将标签向量化,使用Transformer解码器结构将字符表示与标签表示进行交互学习,捕捉字符与标签的相互依赖关系,丰富字符的特征表示。为了促进标签信息的学习,构建了基于文本句的监督信号,增加了多标签文本分类任务,采用多任务学习的方式进行训练。其中,命名实体识别任务采用条件随机场进行解码预测,多标签文本分类任务采用双仿射机制进行解码预测,两任务共享除解码层以外的所有参数,保证了不同的监督信息反馈到每个子任务。在公开数据集MSRA,Weibo和Resume上进行了多组对比实验,分别获得了95.75%,72.17%,96.23%的F1值。与多个基准模型相比,所提模型的实验效果有一定的提升,证明了该模型的有效性与可行性。

基于标签语义信息感知的少样本命名实体识别方法

在少样本命名实体识别方法中,目前广泛应用的方法是基于原型网络的两阶段模型。但是,该方法未充分利用实体标签中的语义信息,且在距离计算中过度依赖实体类型原型向量,导致模型泛化能力差。针对这些问题,提出一种基于标签语义信息感知的少样本命名实体识别方法。该方法是一种先进行实体跨度检测,再判断实体类型的两阶段方法。在构建实体类型原型向量时,将对应实体类型包含的语义信息考虑在内,通过维度转换层将其与原型向量相融合。在对新样本进行实体识别时,将实体类型的正负样本与实体类型原型向量组成实体类型三元组,依据样本到三元组的距离对其进行分类。在多个数据集上的实验结果证明,该模型的性能比以往的模型有较大的提升。

融合标签信息的分层图注意力网络文本分类模型

目前基于分层图注意力网络的单标签文本分类任务存在2方面不足:一是不能较好地对文本特征进行提取;二是很少有研究通过文本与标签之间的联系进一步凸显文本特征。针对这2个问题,提出一种融合标签信息的分层图注意力网络文本分类模型。该模型依据句子关键词与主题关联性构建邻接矩阵,然后使用词级图注意力网络获取句子的向量表示。该模型是以随机初始化的目标向量为基础,同时利用最大池化提取句子特定的目标向量,使得获取的句子向量具有更加明显的类别特征。在词级图注意力层之后使用句子级图注意力网络获取具有词权重信息的新文本表示,并通过池化层得到文本的特征信息。另一方面利用GloVe预训练词向量对所有文本标注的标签信息进行初始化向量表示,然后将其与文本的特征信息进行交互、融合,以减少原有特征损失,得到区别于不同文本的特征表示。在R52、R8、20NG、Ohsumed及MR 5个公开数据集上的实验结果表明,该模型的分类准确率明显优于其它主流基线模型的。

食品质量信息标签如何影响消费者偏好——基于山东省843个样本的选择实验

本文基于山东省843个消费者样本,以番茄为例,设置食品安全认证标签、可追溯标签、品牌与价格属性进行了选择实验,并借助随机参数Logit模型研究了消费者偏好。结果显示,消费者对食品安全认证标签、可追溯标签和品牌属性均具有显著支付意愿,对可追溯标签的支付意愿远高于其他属性,且不同信息标签的组合给消费者偏好带来不同影响,食品安全认证标签与可追溯标签间以及可追溯标签与品牌间皆存在互补关系,而食品安全认证标签与品牌间存在替代关系。研究同时表明,消费者食品安全认证知识与可追溯知识层次提高,对消费者支付意愿的影响并不相同。在此基础上,提出了建立食品安全认证制度和食品可追溯系统等建议以减小食品市场信息不对称、提高消费者信心与支付意愿。

具有性能感知排序的深度监督哈希用于多标签图像检索

现实生活中的图像大多具有多种标签属性。对于多标签图像,理想情况下检索到的图像应该按照与查询图像相似的程度降序排列,即与查询图像共享的标签数量依次递减。然而,大多数哈希算法主要针对单标签图像检索而设计,而且现有用于多标签图像检索的深度监督哈希算法忽略了哈希码的排序性能且没有充分地利用标签类别信息。针对此问题,提出了一种具有性能感知排序的深度监督哈希方法(deep supervised hashing with performance-aware ranking,PRDH),它能够有效地感知和优化模型的性能,改善多标签图像检索的效果。在哈希学习部分,设计了一种排序优化损失函数,以改善哈希码的排序性能;同时,还加入了一种空间划分损失函数,将具有不同数量的共享标签的图像划分到相应的汉明空间中;为了充分地利用标签信息,还鲜明地提出将预测标签用于检索阶段的汉明距离计算,并设计了一种用于多标签分类的损失函数,以实现对汉明距离排序的监督及优化。在三个多标签基准数据集上进行的大量检索实验结果表明,PRDH的各项评估指标均优于现有先进的深度哈希方法。

食品信息标签制度的福利效应:竞争市场与市场势力——理论测算及案例评估

食品标签的福利问题一直受到政府和学术界关注,有关福利评估方式、市场竞争假设等方面仍有待探讨。文章按照竞争市场和市场势力两种情况,利用垂直质量差异模型,理论测算食品信息标签实施前后消费者与生产者的福利变动,并结合南京市蔬菜市场调查数据,评估现行质量认证标签制度的福利效应。研究表明,标签引入后,高收入消费者和高质量食品生产者的福利改善,福利效应在竞争市场中随食品质量差异的增大或成本差异的减小进一步增强;但是质量差异化的市场环境约束低收入消费者的食品选择范围,压缩低质量食品生产者的市场份额,削弱食品标签对两类市场群体的福利效应,市场势力的出现甚至加剧低收入消费者福利的恶化。文章丰富了食品标签领域的福利经济学研究,探索了更具一般性的福利测度方法,为把握食品政策制定的方向提供参考。

消费者对食品质量信息标签支付溢价研究——以婴幼儿配方奶粉为例

食品质量信息标签是缓解信息不对称的重要工具,其效果关键在于能否获得消费者认可。本文以婴幼儿配方奶粉为例,选择有机标签、可追溯标签和销售渠道等质量信息标签设计选择实验,在山东济南等城市获取458个消费者样本数据,运用潜类别模型研究消费者对质量信息标签的支付溢价。结果表明:消费者普遍愿意为有机标签和可追溯标签支付较高的价格,对药店销售普遍不认可。

高校图书馆用户信息标签的分析与标注

知识信息时代,社会化标注方式也开始影响图书馆传统的信息组织方式,文章以具有典型意义的高校图书馆为切入点,分别论述高校用户信息检签的来源、推荐模型与分析算法等,最终构建高校图书馆的用户信息标签系统,以期该研究能对相关理论及实践发展有所贡献。

融合文本内容和标签的中文商品评论情感分类

为了解决目前基于深度学习的情感分析方法对语言知识和标签信息利用不足的问题,本文对基于深度学习的情感分析方法加以改进,提出一种融合文本特征和标签信息的中文文本情感分析方法。该方法首先对文本进行预处理,然后分别使用句法规则和深度学习方法提取文本的特征信息。在句法规则部分,通过构建句法规则提取文本中情感倾向更加明确的信息,并将其与标签描述信息进一步融合,突出情感信息;在深度学习部分,通过结合注意力机制和门控循环神经网络提取文本的高阶特征。最后,将上面两部分提取的特征信息进行融合并使用分类器对其进行分类,得到文本的情感倾向。实验结果表明,与传统情感分析方法相比,使用本文方法进行情感分析的效果更好。

基于云计算的建筑项目施工进度信息集成方法

在对建筑项目施工进度信息进行集成时,由于原始的建筑项目施工进度数据具有多元化的属性特征,导致集成后的施工进度信息精度较低,为此,提出基于云计算的建筑项目施工进度信息集成方法。所提方法先对对建筑项目施工进度数据进行预处理,引入了RFID技术,将原始的施工进度数据转化为以施工原材料为基本单元的形式,并以施工进度为导向,构建了包含名称、类别、电子编码以及对应工程内容的施工材料数据标签信息,后基于云计算设计施工进度信息集成管理模型,按照工程内容对其进行分类处理,对不同材料消耗情况进行统计,结合具体工程内容的设计要求以及实际施工材料的使用总量,实现对施工进度信息集成管理模型的构建。在测试结果中,设计建筑项目施工进度信息集成方法实现了对不同时刻施工进度的准确获取。

食品安全信息标签猪肉的消费偏好与生产意愿差异研究

食品安全信息标签是传递食品信息的重要工具,研究生产者和消费者对具有不同信息标签食品的供求差异,对保障食品安全具有重要意义。本文构建了食品安全信息标签所包含的四种不同信息属性及相应层次,以猪肉为例,利用浙江省生猪养殖户和猪肉消费者的调查数据,运用选择实验法,借助随机参数Logit模型实证分析养殖户与消费者对具有不同食品安全信息标签猪肉的生产意愿和消费偏好的差异,探讨养殖户对不同食品安全信息标签的实际采纳行为和消费者对相应标签的支付意愿。结果表明,在产地、合格证、可追溯和认证四类信息属性中,除认证信息外,消费者更偏好可追溯信息,而养殖户更愿意提供产地信息。尽管养殖户对提供认证信息表现出较为强烈的意愿,但实际生产中的采纳率仅为1.81%。消费者偏好包含更高层次食品安全信息标签的猪肉,对委托检验合格的合格证具有更高的偏好,但养殖户的生产意愿却为负。消费者对自检合格的合格证的支付意愿仅为1.385元/kg,但愿意为追溯到养殖环节的可追溯信息支付超过20%的溢价,然而在实际生产中,养殖户对可追溯信息的采纳率不足10%。因此,养殖户要加大对信息层次更丰富的食品安全信息标签的使用,市场和政府应增加对养殖户参与可追溯体系、开具合格证的激励,加强对养殖户的教育培训。

基于未标签信息主动学习算法的高光谱影像分类

针对高光谱遥感影像分类中,传统的主动学习算法仅利用已标签数据训练样本,大量未标签数据被忽视的问题,提出一种结合未标签信息的主动学习算法。首先,通过K近邻一致性原则、前后预测一致性原则和主动学习算法信息量评估3重筛选得到预测标签可信度高并具备一定信息量的未标签样本;然后,将其预测标签当作真实标签加入到标签样本集中;最后,训练得到更优质的分类模型。实验结果表明,与被动学习算法和传统的主动学习算法相比,所提算法能够在同等标记的代价下获得更高的分类精度,同时具有更好的参数敏感性。