基于图卷积编码器的蒙汉神经机器翻译

基于神经网络模型的蒙汉机器翻译严格采用编码器-解码器的序列建模方式,不能有效利用句法信息以及语言的层次结构信息。为将句法结构信息融入蒙汉机器翻译以提高其翻译性能,提出在源语言端采用双编码器,同时对源句和由源句解析而来的句法依存树进行编码;由于蒙汉机器翻译中经常会出现未登录词问题,因此将使用字节对编码技术预处理蒙古语。为解决机器翻译中的过度矫正问题,在训练阶段,模型以一定的概率从正确标注的序列中和预测生成的序列中采样上下文单词。在120万蒙汉平行语料的实验中证明,该方法相较于传统的BiRNN和CNN,BLEU值分别提高了2.69和2.09。

融合评论文本特征和评分图卷积表示的推荐模型

为了充分利用评分的有效信息,并进一步研究评论的重要性,提出了一种融合评论文本特征和评分图卷积表示的推荐模型,利用图卷积编码学习用户和商品在评分上的特征表示,结合文本卷积特征,使用注意力机制来区分评论的重要性,然后通过隐因子模型把在评论和评分上学习到的特征表示融合产生推荐。在亚马逊公开数据集上的实验结果表明,提出的模型显著优于现有的模型,证明了提出的模型的有效性。

基于图卷积网格自编码器的网格参数化

网格参数化作为数字几何处理的基本工具,在游戏娱乐、工程设计、仿真模拟等多种领域有着广泛的应用背景。传统的网格参数化方法大多通过求解线性系统或者非线性系统获得结果,存在着求解速度慢、不够鲁棒的问题。提出了一个基于图卷积网格自编码器的网格参数化模型,采用了图卷积网格自编码器的编码部分与自行构建的参数化解码部分结合的方式生成网络,使用一类人脸网格数据集作为网络训练数据,并与传统优化算法进行对比。结果表明,使用建立的网格参数化模型,在保证参数化效果的同时,获得参数化结果的速度比SLIM (Scalable Locally Injective Mappings,SLIM)算法快68%,比PP (Progressive Parameterizations)算法快约4倍。

一种支持建筑群组相似模式检索的变分图卷积自编码模型

针对当前建筑群组相似模式检索中空间域和谱域相似度量方法的模型泛化能力较弱,且空间信息利用不足的问题,本文提出了一种基于变分图卷积自编码器的相似检索模型。首先,利用最小生成树构建建筑群组图数据,并将建筑物描述特征嵌入图节点中,实现建筑群组模式的定量化表达;其次,在变分图卷积自编码器重参数化模块中,加入四维超混沌系统与高斯分布融合生成的混合噪声,通过增加采样的随机性来提高模型的泛化能力;然后利用图卷积和池化代替全连接层以保留更多的空间信息,并对低维特征编码进行处理,获得建筑群组的模式特征编码;最后,利用余弦距离来获得待检索建筑群组与模式编码库中建筑群组之间的相似度,从而实现建筑群组模式的相似检索。实验结果表明,该模型能够有效提取建筑群组的模式特征,通过无监督学习实现端到端的建筑群组相似模式检索,为建筑群组模式的自动分类与相似检索提供了新的思路和方法。

建筑物形状特征分析表达与自适应化简方法

建筑物化简是地图制图领域关注的热点问题之一。集成不同算法构建形状特征自适应的化简模型是应对建筑物多样化形态的有效策略,但当前相关研究主要从局部结构模式或化简结果评价展开,缺乏对形状结构的整体分析视角和深层次认知。本文提出一种深度学习支持下的形状自适应建筑物化简方法。首先,利用图卷积自编码网络对建筑物形状进行深度认知,提取隐含在边界节点分布中的形状特征并进行编码表达;然后,通过监督学习方法建立形状编码与化简算法之间的映射关系,从而实现依据输入建筑物的形状特征选择适宜化简算法的自适应机制。试验表明,本文方法的化简结果在位置、方向、面积和形状保持指标上总体优于单一算法,具备较好的理论与应用价值。