融合深度匹配特征的答案选择模型

答案选择是自动问答系统中的关键任务之一,其主要目的是根据问题与候选答案的相似性对候选答案进行排序,并选择出相关性较高的答案返回给用户。可将其看作成一个文本对的匹配问题。该文利用词向量、双向LSTM、2D神经网络等深度学习模型对问题—答案对的语义匹配特征进行了提取,并将其与传统NLP特征相结合,提出一种融合深度匹配特征的答案选择模型。在Qatar Living社区问答数据集上的实验显示,融合深度匹配特征的答案选择模型比基于传统特征的模型MAP值高5%左右。

融合多尺度和深度特征的快速运动视觉目标跟踪

为了提高快速运动视觉目标跟踪的精度、效率和鲁棒性,提出融合多尺度和深度特征的快速运动视觉目标跟踪方法。通过分类器训练、候选区域检测以及模型更新三个阶段,完成核相关滤波跟踪算法。为适应视觉目标的多尺度变化,通过双线性插值函数将采集的子图转化为多尺度大小;提取子图特征,对多尺度核相关滤波器进行训练,完成快速运动视觉目标跟踪;利用堆叠多层自编码器构建深层神经网络,通过贪婪算法对输入数据重构,得到深度特征;将深度特征和方向梯度直方图HOG特征进行匹配融合,实现快速运动视觉目标跟踪。实验结果表明,该算法能够有效跟踪被遮挡的快速运动视觉目标,其跟踪准确率和跟踪成功率分别高达97.6%和98.2%,跟踪时间仅为4.5 ms,可以有效提高快速运动视觉目标跟踪精度和效率,增强鲁棒性。

基于CDSSM的作物病害处方推荐方法

作物病害诊断积累了大量电子处方数据,对电子处方数据二次利用,实现作物病害处方智能推荐是植保领域重要的研究内容。对此,本文构建基于CDSSM的作物病害处方推荐模型,实现多种类作物病害的诊断和处方推荐。基于病害标准知识库对作物病害处方数据进行筛选,并进行数据扩充,同时结合领域知识构建标准处方库;构建基于CDSSM的作物处方推荐模型,根据文本特征生成语义向量,计算语义向量的余弦距离,结合标准处方库完成融合地区、时间、作物种类、生长期等多个因素的处方精准推荐。从病害诊断、处方推荐、针对番茄病害处方推荐和不同输入对处方推荐的影响4方面展开结果分析,并与基于DSSM、DSSM-LSTM、Cosine、Jaccard、BM25的模型结果进行对比分析;结合实际应用需求设计并构建面向移动终端的作物病害处方推荐应用“处方宝”。结果表明,基于CDSSM的作物病害处方推荐模型病害诊断正确率为71%,处方推荐准确率为82%,优于其他5种作物病害处方推荐模型;针对番茄病害处方推荐准确率更高。本文构建的基于CDSSM的作物处方推荐模型可以满足实际应用需求,还能够进行病害种类的扩充,可以作为作物病害处方推荐的高效辅助工具。

基于多源异构数据融合的电力工程知识图谱架构算法

针对电力行业数字化进程中出现的对于多源异构类型数据的分析效率低、概念逻辑混乱等问题,开展了基于数据融合的电力工程知识图谱架构算法研究。在收集电力行业数据和外部数据并整理相关领域专业术语的基础上,构建了电力工程知识图谱,采用CRF算法将非结构化文本信息转化为结构化信息。最终将典型相关分析(CCA)与深度神经网络相结合,利用逐层语义匹配的方法,架构出满足域私有网络和域共有网络的深度语义匹配模型。通过设置对照组进行对比测试结果表明,文中提出的多源异构数据融合模型可以有效提高不同领域实例数据的融合精度,较两种对比算法分别提高了8.32%和11.7%,具有较为理想的综合性能。