一种改进的自适应知识图谱嵌入式表示方法

知识图谱的嵌入式表示方法以基于翻译的TransE最为经典,但在处理复杂关系时存在局限;使用欧氏距离作为得分函数中的度量,每个特征维度以相同的权重参与计算,准确性会受到无关维度的影响,灵活性不高。因此,针对这两个缺陷,提出一种自适应的知识图谱嵌入式表示方法TransAD。利用自适应度量方法更换度量函数,在得分函数中引入对角权重矩阵,为每一个特征维分别赋予权重,增加模型的表示能力。同时受TransD方法的启发,将实体与关系通过动态映射矩阵建立空间投影模型,来增强模型对复杂关系的处理能力,最后将两种优化集成在一个模型中。实验结果表明,新方法TransAD优于Trans(E,H,R,D),在链路预测和三元组分类任务的各项指标上均有提升,有一定的先进性。

基于情感分布的emoji嵌入式表示

提出了一种基于情感分布的emoji嵌入式表示方法(emoji embedded representation based on emotion distribution,EDEER)。EDEER方法采用基于BERT的情绪预测模型软标签,从真实数据中学习emoji嵌入式表示,通过情感分布直接建模emoji在各种情绪上的表达程度,使嵌入式表示中包含emoji的多种情感信息。在包含emoji的中文微博数据集上的多组对比实验表明,本文提出的方法可以有效地学习到与细粒度情绪直接关联的emoji嵌入式表示,构建具有较高情绪表达质量的emoji表示空间。

稠密向量实体检索模型的二值化提速压缩

在实体检索任务中,为了从大规模实体库中高效筛选与查询相关的候选实体,可使用稠密向量检索模型.然而在现有的稠密向量检索模型中,由于实体向量维度较高,导致实时计算效率较低、存储空间较大.文中通过实验发现这些实体向量存在大量的冗余信息:一方面,绝大多数实体向量分布在互不相同的象限里;另一方面,语义相近的实体所在的象限也更近.因此,文中提出二值化的实体检索方法,用于压缩实体向量,加速相似度计算.具体而言,方法利用符号函数(sign),二值化压缩高维稠密的浮点向量,并通过汉明距离加快检索.从理论上分析文中方法保证检索性能的原因.通过定性、定量的分析实验验证理论的正确性,并给出基于随机升维旋转的二值检索性能改善方法.

基于深度学习的文本情感分类算法研究

随着深度学习的发展,越来越多基于神经网络的算法用于实现文本情感分类,在分类上的精度不断提升,如果一味追求精度而加深网络的层次,会给实际应用场景中的响应等性能带来较大阻碍。通过研究文本的嵌入式表示等技术,在时下前沿的FastText模型基础上进一步捕捉分类逻辑中重点的文本特征,提出了新的轻量化的权重驱动的文本情感分类模型WDFT (Weight-Driven Fast Text)。在实现高精度的同时保证模型的轻量化,更好地解决文本情感分类任务。

Navigation Map Data Representation and Parallel Display Algorithm in an Embedded Environment

Map data display is the basic information representation mode under embedded real-time navigation. After a navigation display data set （NDIS_SET） with several dimensions and corresponding mathematical description formula are designed, a series of rules and algorithms are advanced to optimize embedded navigation data and promote data index and input efficiency. A new parallel display algorithm with navigation data named N PDIS is then presented to adapt to limited embedded resources of computation and memory after a normal navigation data display algorithm named NDIS and related problems are analyzed, N_PDIS can synchronously create two preparative bitmapa by two parallel threads and switch one of them to screen automatically. Compared with NDIS, the results show that N_PDIS is more effective in improving display efficiency.