英汉学习型词典发展历程回顾与反思——基于设计特征视角的分析

学习型词典的研编创新离不开词典"设计特征"的研究。英语单语学习型词典在世界范围内所取得的成功已深刻印证了这一点。然而,令人遗憾的是,有关英汉学习型词典设计特征的全面系统研究尚不多见。文章以设计特征为分析视角,从历时维度爬梳了英汉学习型词典在现代中国语境下的发展历程,并对其中的得与失加以反思,期冀引发学界同行对学习型词典设计特征研究的深度关注。

新闻采访特征视角下的采访技巧探讨

随着新媒体时代的到来,随着众多网络媒介的出现,信息的数量以及传播的速度飞速的增长,无论男女老少都无时不关注着新闻。新闻采访作为写出真实、可靠新闻的保障,只有灵活运用各种独特的视角,才能创作出在文字上合理,内容上真实,并且为广大群众所需要的有效新闻。

基于多视角时间特征的短期电力负荷预测

外部因素对电力负荷具有周期性影响,且这些影响直接反映在电力负荷值上。基于多视角表示学习思想,使用历史电力负荷预测值的不同视角作为外部因素的隐藏表示。通过对历史电力负荷数据进行特征提取,并将电力负荷分为分钟、小时和天三个时间视角,分别采用了适应性的神经网络模型进行特征提取,并引入了一个多视角特征合并模块,融合不同时间尺度上的信息来提高负荷预测准确性。实验证明,所提出的方法在西南某地区的电力负荷数据集上表现出较好的预测性能,与单一时间视角的模型相比,平均绝对误差和均方误差分别降低了12.21%和11.12%。

多视角融合的时空动态GCN城市交通流量预测

城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前,时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建静态路网拓扑图对城市空间相关性进行表示,忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性,无法捕获路网节点之间在时序上的动态关联;2)只考虑路网节点的局部空间相关性,忽略节点的全局空间相关性,无法建模交通路网中局部区域和全局空间之间的依赖关系.为打破上述局限性,提出了一种多视角融合的时空动态图卷积模型用于预测交通流量:首先,从静态空间拓扑和动态流量模式视角出发,构建路网空间结构图和动态流量关联图,并使用动态图卷积学习节点在两种视角下的特征,全面捕获城市路网中多元的空间相关性;其次,从局部视角和全局视角出发,计算路网的全局表示,将全局特征与局部特征融合,增强路网节点特征的表现力,发掘城市交通流量的整体结构特征;接下来,设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性,实现在多种时间窗口下的准确流量预测;最后,在4种真实交通数据上的实验结果,证明了该模型的有效性和准确性.

融合局部和全局特征的多视角深度学习多功能酶预测

多功能酶是一种特殊类型的酶,具有催化各种基本化学反应的能力。研究表明,多功能酶能够以不同形式催化不同的化学反应,这使得多功能酶比普通的单功能酶更具有研究和使用价值。随着机器学习的发展,人们尝试借助深度学习等计算方法来处理酶功能分类问题,本文提出了一种融合局部和全局特征的多视角深度学习多功能酶分类预测模型mlCBiGCnet。在该方法中,使用卷积神经网络(CNN)和双向门控递归单元(BiGRU)组成的混合网络对酶序列深度特征进行学习,其中CNN模块用于学习酶序列的深度局部特征,BiGRU模块用于学习深度全局特征,并进一步融合为新的复合特征输入到全连接层,最后由多标签分类器得到多功能酶分类结果。此外,使用图卷积网络学习酶EC类标签相关性深度特征,用以指导酶序列多视角深度特征的学习过程。在CNN-BiGRUs模块中,利用多头注意力机制对提取的酶序列深度特征进行特征增强,以加速训练过程,提升模型性能。实验结果表明,与现有方法相比,mlCBiGCnet在子集精度、 Micro_F1_score等指标上都有了更好的表现。

基于多视角特征组合与随机森林的G蛋白偶联受体与药物相互作用预测

为了提高G蛋白偶联受体(G-protein-coupled receptors,GPCR)与药物相互作用预测的精度,该文提出一种基于多视角特征组合与随机森林的GPCR-Drug相互作用预测新方法。该方法首先从氨基酸组成成分和蛋白质进化视角分别抽取GPCR的序列特征,并从分子指纹视角抽取药物分子的特征;将所抽取的多视角特征进行组合,得到GPCR-Drug配对的特征表示;基于所提出的GPCR-Drug特征表示方法,使用随机森林构建预测模型。在标准数据集上的交叉验证和独立测试结果验证了该文所述方法的有效性。

一种基于多视角特征融合的Webshell检测方法

Webshell是一种Web端的恶意脚本文件。它通常由攻击者上传至目标服务器来达成其非法的访问控制的目的。现有Webshell检测方法存在诸多不足,如单一的网络流量行为、简易被绕过的签名比对、单一的正则匹配等。针对上述不足之处,基于PHP语言的Webshell,提出了一种基于多视角特征融合的Webshell检测方法,首先,提取包括词法特征、句法特征、抽象特征在内的多种特征;其次,利用费舍尔评分对特征进行重要程度的排序与筛选;最后,通过SVM建立能有效区分Webshell和正常脚本的模型。在大规模的实验中,模型对Webshell和正常样本的最终分类精度达到了92.1%。

基于用户生成标签的多视角特征学习方法

提出了一种基于用户生成标签的多视角特征学习方法。采用词袋模型分别得到媒体的内容特征表示和标签特征表示;通过媒体词汇和文本词汇的相关性建模,学习文本特征空间和内容特征空间的映射模型。在此基础上,给出了优化前后的特征表示具备近似等距映射保持的理论依据。该方法相对数据集规模具备线性时间复杂度,适用于大规模数据集,具备多视角特征融合能力。基准数据集上测试表明,优化后的特征表示较特征拼接和相关成分分析等方法鉴别力更强。

自适应嵌入的半监督多视角特征降维方法

半监督模式下的多视角特征降维方法,大多并未考虑到不同视角间特征投影的差异,且由于缺乏对降维后的低维矩阵的稀疏约束,无法避免噪声和其他不相关特征的影响。针对这两个问题,提出自适应嵌入的半监督多视角特征降维方法。首先,将投影从单视角下相同的嵌入矩阵扩展到多视角间不同的矩阵,引入全局结构保持项;然后,将无标签的数据利用无监督方法进行嵌入投影,对于有标签的数据,结合分类的判别信息进行线性投影;最后,再将两类多投影映射到统一的低维空间,使用组合权重矩阵来保留全局结构,很大程度上消除了噪声及不相关因素的影响。实验结果表明,所提方法的聚类准确率平均提高了约9%。该方法较好地保留了多视角间特征的相关性,捕获了更多的具有判别信息的特征。

共享转换矩阵的胶囊网络及其融合视角特征的跨视角步态识别

步态识别具有非接触性、非侵犯性、易感知等优势,然而,在跨视角的步态识别中,行人的轮廓会随人的视角的变化而不同,从而影响步态识别的性能。为此,提出了共享转换矩阵的胶囊网络及其改进的动态路由算法,从而减少了网络训练参数。在此基础上,通过融合视角特征,利用Triplet损失与Margin损失提出了融合视角特征的跨视角步态识别模型。在CASIA-B数据集上的实验结果表明,使用共享转换矩阵的胶囊网络提取步态特征是有效的,在正常行走、携带背包、穿戴外套条件下,所提融合视角特征的模型在识别准确率上比基于卷积神经网络的跨视角步态识别方法提高了4.13%,且对跨较大视角的步态识别具有更好的性能。

认知视角下新“被XX”的语义特征

本文通过大量搜集语料,详细描述了新兴"被XX"构式的语义,并着重阐述了其语义主要是继承了古代汉语中"被"字语义用法。

多元视角下继续教育概念的重新界定

经过两个多世纪的发展,继续教育的内涵不断泛化,外延逐渐扩展,已经不可以与其肇始之初同日而语。从历史学、语义学、当事人、本质属性等多个角度重新归纳后认为,继续教育应该是指某种教育服务机构或者某类教育者向接受了某种教育后的某些特定人员进行知识、技能、社会规范或情感等方面的进一步的追加教育,而施教者、受教者和教育内容三个维度相互交织形成了继续教育的多种类型。

Android恶意APP多视角家族分类方法

针对现有Android恶意软件家族分类方法特征构建完备性不足、构建视角单质化等问题,提出了一种多视角特征规整的卷积神经网络(CNN)恶意APP家族分类方法。该方法结合MinHash算法。将软件中Android框架系统API、操作码序列、AndroidManifest.xml文件中的权限和Intent组合3个视角的原始特征在保留APP间相似度情况下进行规整,并利用多路卷积神经网络完成对各视图的特征提取和信息融合,构建一套恶意APP家族分类模型。基于公开数据集Drebin、Genome、AMD的实验结果表明:恶意APP家族分类准确率超过0.96,证明了所提方法能够充分挖掘各视角的行为特征信息,能有效利用多视角特征间的异构特性,具有较强的实用价值。

融合多视角和多标签学习的RNA结合蛋白识别

RNA结合蛋白(RBP)是一类伴随RNA调控代谢过程与RNA结合的蛋白质的总称。一种RBP可能存在多种靶标RNA,其表达缺陷会造成多种疾病。现有的方法大都是针对某种特定的RBP设计二分类模型,预测一条RNA是否可以与之结合。但这些方法没有考虑到不同RBP之间的结合相似性和关联性。对此,iDeepM利用多标签深度学习法进行了改进。此方法使用多标签技术和长短时记忆网络(LSTM),学习到不同RBP之间的结合相似性,预测一条给定的RNA与多种RBP的结合情况,但是该方法未能对RNA序列进行充分的特征学习和多标签学习,预测精度较低。延续iDeepM多标签的研究方法,提出新方法RRMVL,首次使用RNA序列视角、氨基酸序列视角、RNA序列语义视角和多间隙二肽成分视角组成多视角数据来处理多标签RBP识别问题。为了利用多视角数据的不同学习优势,融合四种视角提取到的深度特征,使用逻辑回归原理对它们进行多标签特征学习,将学习后的加权特征向量输入至链式多标签分类器中训练,使之达到最优多标签链式学习的效果。实验研究表明,融合多视角和多标签学习的RNA结合蛋白识别模型预测精度较之前使用单视角方法有了明显的提升。

基于视角-规则的深度TSK模糊分类器及其在多元癫痫脑电信号识别中的应用

在癫痫脑电信号分类检测中,传统机器学习方法分类效果不理想,深度学习模型虽然具有较好的特征学习优势,但其“黑盒”学习方式不具备可解释性,不能很好地应用于临床辅助诊断;并且,现有的多视角深度TSK模糊系统难以有效表征各视角特征之间的相关性.针对以上问题,提出一种基于视角-规则的深度Takagi-SugenoKang(TSK)模糊分类器(view-to-rule Takagi-Sugeno-Kang fuzzy classifier,VR-TSK-FC),并将其应用于多元癫痫脑电信号检测中.该算法在原始数据上构建前件规则以保证模型的可解释性,利用一维卷积神经网络(1-dimensional convolutional neural network,1D-CNN)从多角度抓取多元脑电信号深度特征.每个模糊规则的后件部分分别采用一个视角的脑电信号深度特征作为其后件变量,视角-规则的学习方式提高了VR-TSK-FC表征能力.在Bonn和CHB-MIT数据集上,VR-TSK-FC算法模糊逻辑推理过程保证可解释的基础上达到了较好分类效果.

基于AHP方法的战场目标三维伪装效果评估

针对战场目标伪装效果评估视角单一、主观性过强等问题,基于层次分析法(AHP)和航迹发现概率对战场目标三维伪装效果进行多视角评估研究。在利用无人机倾斜摄影技术对战场目标进行三维建模的基础上,模拟无人机航线侦察获得多视角侦察影像;综合提取影像中目标与背景的亮度、颜色、纹理等8个评估指标并计算相似度,采用AHP建立单视角特征相似度评估模型;基于航迹的目标发现概率模型,计算多视角目标相似度权重,构建了战场目标伪装效果多视角评估模型。通过案例分析,多视角评估方法能够实现战场目标伪装效果多角度、连续性客观综合评估。

基于多视角特征融合的移动信息服务模式挖掘

大量移动手机应用（Apps）存在重叠性功能特征，大量用户评论和多个标签，给市场机会发现、开发应用集成和应用选择带来困扰．本文提出基于文本挖掘和相似度网络融合的移动信息服务模式挖掘框架：基于功能描述文本、用户评论、分类标签分别构建个体相似度网络；将从不同信息视角得到的相似度网络进行非线性融合；用聚类验证融合网络有效性，将其用于发现不同移动信息服务模式．最后实验抓取2451个Apps，多视角特征融合方法克服数据水平差异和噪音，集成互补信息．融合结果用于聚类，在归一化互信息和准确率指标上都有显著提升，准确发现地图导航、火车汽车票、打车专车、公交查询等主流移动信息模式．研究成果为发掘市场机会和竞争者提供事实证据．

面向计算机数控系统的领域建模设计和应用

提出一种面向计算机数控领域的视图—特征—构件建模方法,该方法采用多视角的方式捕获计算机数控领域的共性特征,将特征映射到多视图平面容器,并依据特征在视图容器中建立相应的领域元模型。基于所构建语言,分别在结构视图、行为视图、系统视图中进行层次化结构、动态行为、硬件平台建模。数控系统应用模型可通过仿真在设计早期实现形式化的系统性能验证,在此基础上,通过模型解释器实现面向目标平台的代码自动生成。以两轴车床数控系统和三轴铣床数控系统为实施对象进行了验证,结果表明了基于特定领域建模的视图—特征—构件建模方法的有效性。

基于多视角特征融合的中文垃圾微博过滤

微博中隐含着舆论热点等与特定话题相关的有价值的信息。因此,针对微博数据分析(如话题发现等)的工作成了当前的研究热点。由于微博内容和形式的高度自由,使得相关的研究工作面临着垃圾数据噪声大、有用数据提取难的问题。然而,目前针对非公共话题的中文垃圾微博过滤尚无有效方法。提出一种基于多视角特征融合的垃圾微博过滤方法。该方法首先从微博的结构和内容两个视角建立规则,再与微博文本分词结果进行融合构造复合特征,并以此对垃圾微博进行过滤。通过在真实数据集上的实验表明多视角融合的特征使得过滤效果有明显提升。

Multi-view feature fusion for rolling bearing fault diagnosis using random forest and autoencoder

To improve the accuracy and robustness of rolling bearing fault diagnosis under complex conditions, a novel method based on multi-view feature fusion is proposed. Firstly, multi-view features from perspectives of the time domain, frequency domain and time-frequency domain are extracted through the Fourier transform, Hilbert transform and empirical mode decomposition (EMD).Then, the random forest model (RF) is applied to select features which are highly correlated with the bearing operating state. Subsequently, the selected features are fused via the autoencoder (AE) to further reduce the redundancy. Finally, the effectiveness of the fused features is evaluated by the support vector machine (SVM). The experimental results indicate that the proposed method based on the multi-view feature fusion can effectively reflect the difference in the state of the rolling bearing, and improve the accuracy of fault diagnosis.