基于正则表达式融合语义的农产品自动识别方法

针对同一条传送带上不同类别农产品自动分拣识别率低的问题,根据应用场景下轮廓、颜色和空间相对位置等物理特征不变,以及不同农产品会产生不同振动波的特征,通过建立基于颜色、线条、位置、振动等信息的特征元素库,利用正则表达式的语义规则,对基础特征元素进行先验知识的有序组织,赋予它们描述不同农产品匹配特征的能力,从而快速构建出不同农产品的匹配模型,缩短分拣过程中农产品目标模型生成时间,同时由于融合了振动特征,使得外形相似农产品的识别准确率得到较大提升.试验结果表明:基于正则表达式融合语义特征提取的农产品识别方法能够快速、准确识别各类农产品,从而实现自动分拣的目的,在固定视角下其识别率为92.5%,平均识别时间为50.3 ms,相较传统的尺度不变特征变换(SIFT)和加速鲁莽特征(SURF)算法,本算法在固定视角下的分拣精度和分拣效率均有所提高.

基于语义融合轨迹生成的k匿名轨迹集补全方法

轨迹隐私保护是数据安全和个人隐私保护领域的热点问题之一。文章针对k匿名轨迹计算中可能存在匿名轨迹数量不足的问题,提出一种基于语义融合的匿名轨迹生成方法。该方法选择间距小于指定阈值且存在通路的轨迹对,进行融合和校准后生成两条具有较好语义解释性的虚拟轨迹。基于上述研究成果,文章进一步提出一种基于语义融合轨迹生成的k匿名轨迹集补全方法TS-ATC。该方法首先从匿名轨迹集中选取轨迹作为候选轨迹集;然后,从候选轨迹集中选取符合条件的轨迹对执行基于语义融合的匿名轨迹生成方法,并将符合条件的生成轨迹添加到匿名轨迹集。如果匿名轨迹集数量还达不到要求,再从k匿名轨迹计算淘汰的轨迹中选择合适的轨迹加入候选轨迹集,并进行轨迹融合生成。该步骤也将符合条件的生成轨迹再次添加入匿名轨迹集,直至匿名轨迹集的数量达到要求。文章提出的轨迹生成及匿名轨迹补全方法不但具有较好的可解释性,同时能够有效解决k匿名轨迹计算中可能遇到的轨迹数量不足的问题。

基于异构图和语义融合的实体关系抽取

关系抽取是信息抽取中的一项重要任务,其目的是从非结构化文本中抽取出所有关系三元组。然而,如何有效地处理这一问题仍然是一个挑战,特别是对于关系重叠问题。为了有效处理重叠问题,该文提出一种基于异构图和语义融合的实体关系抽取方法:使用异构图将关系信息作为先验知识融入词表示,增强词表示的表示能力,使得模型能有效地处理单词实体重叠问题;使用语义融合模块将不同层次特征融合在一起作为关系分类模型的输入,使得模型能够有效地处理实体对重叠问题。所提方法在NYT和WebNLG数据集上取得了最好的效果,详细的实验也表明所提方法可以处理复杂的场景。

基于改进YOLOv8与语义知识融合的金具缺陷检测方法研究

针对输电线路螺栓金具缺陷检测任务中存在的缺陷样本类间分布不均、缺陷微小特征提取困难等问题,提出基于改进YOLOv8和语义知识融合的输电线路螺栓缺陷检测方法。首先,通过深入分析数据样本中螺栓金具缺陷种类与该螺栓承载金具种类之间的关系,完成语义关联构建工作;之后,在YOLOv8模型Neck部分引入BiFusion和RepBlock模块,增强模型的特征提取能力;其次,使用改进的融合语义知识校正权重的Loss函数,进一步提高训练模型的准确性,减少误检的发生;最后,分别完成基线选取实验、消融实验、超参数调整实验以及对比实验。实验结果表明,相较于Baseline模型,改进YOLOv8方法在平均精确率(mAP)上提升了4.0%,在关键少样本类精确率上提升了24.6%,可有效提高输电线路螺栓金具缺陷检测的效果,该语义关联构建及语义知识融合方法具有一定的泛用性,为输电线路无人机智能巡检领域提供了新的方法支持。

融合词性语义扩展信息的事件检测模型

事件检测是事件抽取中的关键步骤,依赖于触发词进行事件类型分类。现有主流事件检测方法在稀疏标记数据上性能较差,模型过度拟合密集标注的触发词,在稀疏标记的触发词或者未见过的触发词上容易失效。改进方法通常通过扩充更多训练实例来缓解这一问题,但扩充后的数据分布不平衡,存在内置偏差,仍然表现不佳。为此,建立一种融合词性语义扩展信息的事件检测模型。对词粒度扩展信息进行分析,在不增加训练实例的条件下缩小候选触发词的范围,并对候选触发词进行语义扩展,挖掘候选触发词的上下文中蕴含的丰富语义,缓解了标记数据稀疏造成模型训练不充分的情况。通过词性筛选模块寻找候选触发词并对其进行语义扩展挖掘词粒度语义信息,融合句子粒度语义信息提升语义表征的鲁棒性,最终利用Softmax分类器进行分类完成事件检测任务。实验结果表明,该模型在ACE2005和KBP2015数据集上的事件检测任务中的F1值分别达到79.5%和67.5%,有效提升了事件检测性能,并且在稀疏标记数据实验中的F1值达到78.5%,明显改善了标记数据稀疏带来的不良影响。

基于多粒度语义融合的信息检索方法

信息检索(IR)是一种通过特定的技术和方法组织、处理信息,以满足用户的信息需求的过程。近年来,基于预训练模型的稠密检索方法取得了巨大的成功;然而,这些方法只利用了文本和词语的向量表征计算查询与文档相关度,忽略了它们短语层面间的语义信息。针对该问题,提出一种名为MSIR(Multi-Scale IR)的IR方法。所提方法通过融合查询与文档中多种不同粒度的语义信息提高IR性能。首先,构建查询和文档中词语、短语和文本这3个粒度的语义单元;其次,利用预训练模型对这3个语义单元分别进行编码获得它们的语义表征;最后,利用语义表征计算查询和文档相关度。在Corvid-19、TREC2019和Robust04这3个不同大小的经典数据集上进行了对比实验。与ColBERT(ranking model based on Contextualized late interaction over BERT(Bidirectional Encoder Representation from Transformers))相比,MSIR在Robust04数据集的P@10、P@20、NDCG@10和NDCG@20指标上均实现了约8%的提升,同时在Corvid-19和TREC2019数据集上也取得了一定的改进。实验结果表明,MSIR能够成功融合多种语义粒度,提升检索精度。

基于结构-语义融合的评论文本情感分类研究

为了解决当前部分情感分析模型片面依赖文本语义特征、忽视句法结构特征的问题,提出了一种基于结构-语义融合的情感分类模型SF-TLSTM(sentiment-fusion-tree LSTM),即将句法结构信息与语义信息进行融合,全面提取文本特征。首先,将BERT(bidirectional encoder representation from transformers)模型引入TreeLSTM(tree-structured bidirectional LSTM)网络结构中;其次,利用SimCSE(simple contrastive learning of sentence embeddings)模型的自监督训练对BERT获得的向量表示进行数据增强;最后,通过节点编码的方式在构建的TreeLSTM网络上实现结构语义特征融合,并与基线模型进行多组对比分析。结果表明:在斯坦福大学发布的SST(stanford sentiment tree-bank)数据集上,SF-TLSTM模型相较于经典树形结构情感分类模型获得更高的准确率,其中在二分类任务中的准确率达到了96.79%。所提方法能够全面有效地提取评论文本的特征,增强文本的向量表示,对自然语言处理领域中的文本处理具有重要意义。

针对系统调用的基于语义特征的多方面信息融合的主机异常检测框架

混淆攻击通过修改进程运行时产生的系统调用序列,可以在实现同等攻击效果的前提下,绕过主机安全防护机制的检测。现有的基于系统调用的主机异常检测方法不能对混淆攻击修改后的系统调用序列进行有效检测。针对此问题,提出了一种基于系统调用多方面语义信息融合的主机异常检测方法。从系统调用序列的多方面语义信息入手,通过系统调用语义信息抽象和系统调用语义特征提取充分挖掘系统调用序列的深层语义信息,利用多通道TextCNN实现多方面信息的融合以进行异常检测。系统调用语义抽象实现特定系统调用到其类型的映射,通过提取序列的抽象语义信息来屏蔽特定系统调用改变对检测效果的影响;系统调用语义特征提取利用注意力机制获取表征序列行为模式的关键语义特征。在ADFA-LD数据集上的实验结果表明,所提方法检测一般主机异常的误报率低于2.2%,F1分数达到0.980;检测混淆攻击的误报率低于2.8%,F1分数达到0.969,检测效果优于对比方法。

基于知识图谱的语义融合模型构建方法研究

知识图谱具有良好的指标描述性能与解释能力。为了有效分析数字电网的业务全生命周期数据、形成以知识为导向的新型电网运维管理模式,开展了基于知识图谱的语义融合模型构建方法的研究。首先,构建基于物联网的电网数字模型,汇总数字电网信息。其次,针对数字电网,采用Protégé软件,通过七步法构建数字电网本体。最后,基于本体,采用自顶向下的方式生成知识图谱。基于上述建模方法,将知识图谱与模式识别相结合,设计一套语义提取框架。根据数字电网模型信息(图像、声音、文本等)提取的原子概念检测本体,推理出更高层次的复合语义特征。基于所获取的语义特征,结合知识图谱,试点数字电网信息语义融合,为推动统一模型的构建提供实践参考。

基于表示学习的图书馆专利信息语义融合模型研究

在对表示学习、图书馆专利信息、图书馆专利信息语义融合、基于表示学习的图书馆专利信息语义融合相关研究进行概述的基础上,分析表示学习在图书馆专利信息语义融合中的优势,通过对图书馆专利信息语义实体描述,从专利实体类、机构类、人员类、事件类、内容类及各类的核心属性5个维度构建了基于表示学习的图书馆专利信息语义融合模型,旨在促进图书馆为用户提供专业的专利信息语义检索服务。

融合多语义特征的精读式文档级事件抽取

为解决文档级事件抽取任务依赖实体识别、忽略先验语义和参数分散的问题,提出一种融合多语义特征的精读式抽取方法。结合“三阶段”阅读特点,根据事件与角色交互、角色类型及释义特征构建外部语义模板,提出窗口切分算法切割文档语义;基于预训练模型BERT融合外部与窗口语义;多轮精读文档避免实体依赖,设计记忆网络对精读结果建模,完成跨句定位参数和事件路径扩展。引入噪声扰动防止模型过拟合。实验结果表明,该模型性能优于当前主流方法,验证了其可行性和有效性。

基于知识图谱和语义信息的学术推荐系统

在当今互联网的众多应用场景中,面对日益增长的数据量,个性化信息推荐系统的重要性日益凸显。为了提升这些系统的准确性、多样性及可解释性,本文探讨知识图谱的应用潜力。针对现有方法在捕捉用户真实偏好以及忽视语义信息利用价值方面的不足,本文提出一种结合语义特征和知识图谱的先进论文推荐算法。该算法为了突出文本语义在推荐任务中的重要意义,采用BERT模型提取论文摘要中的语义特征,并通过知识图谱的协作传播,有效获取用户和项目的实体表示集合。在表示图谱中的实体时,利用多头注意力机制来区分邻居节点的贡献程度,从而丰富精准传递用户偏好,同时通过注意力聚合网络对不同层级的实体表示集合进行细致区分,且强调初始信息的重要性。在3个公开数据集上的性能评估表明,与当前最优基线模型相比,本文提出的模型在AUC指标上分别提高了0.010、0.018和0.007,在F1指标上分别提高了0.007、0.008和0.008,这一结果充分表明本文算法的有效性和优越性。

一种基于异质信息网络的多维度语义融合推荐算法研究

为解决目前互联网信息过载问题,推荐系统已经广泛应用于电子商务、新闻资讯和影视音乐网站等。推荐算法目标就是挖掘用户的潜在兴趣,为他们提供个性化的信息推送,最终解决信息过载的问题,从而为用户解决该分类问题,选择合适推荐算法就显得尤为重要,同时也是解决数据挖掘领域的重要方法。但当前推荐模型缺乏对多源头异质数据的有效利用,同时在聚合语义信息的过程中存在信息损失问题。为解决上述问题,提出了一种基于异质信息网络的多维度语义融合推荐算法模型。首先,通过元路径和异质图描述推荐任务内复杂的语义结构,然后,对于元路径所引导的邻域进行划分,并通过基于多层邻域交互捕获多尺度语义信息,最后,通过在低阶、高阶维度下引导多尺度语义信息融合。实验结果表明,该方法具有较高的准确度。

地图语义信息融合在端到端自动驾驶决策规划中的应用

为提高自动驾驶的安全性,实现端到端自动驾驶高精度决策规划,文章对地图语义信息融合在端到端自动驾驶决策规划进行了研究。获取主流自动驾驶的基本数据,引入卷积操作,提取图像特征。结合地图语义信息融合,建立端到端决策模型,实现多模态多任务端到端决策规划。通过实例证明,新的决策规划方法可以为自动驾驶提供高精度运行速度、转向角等决策,促进自动驾驶运行安全性的提升。

面向道路交通监控网的异构大数据语义融合方法

为解决广域网分布式环境下异构车辆轨迹大数据的语义融合问题,基于MapReduce和ACO算法提出可在广域网环境分布式并行执行的异构大数据语义聚类融合DPACO方法.该方法在数据源端节点并行完成聚类运算中复杂度最高的部分,将所得结果合并为数据量较小的中间结果,然后将中间结果传送到中心节点并自适应地生成聚类中心.此外,该方法无需预设公共语义模型,通过移动计算避免移动大数据,大大提高了运算效率.实验比较了DPACO方法和已有基于MapReduce的并行化ACO方法,结果表明DPACO方法在广域网环境异构大数据语义融合中具有更好的可用性.

基于多语义融合的反讽识别

反讽是一种复杂的语言现象,被广泛应用于社交媒体中。如何让计算机具有识别反讽的能力,成为了自然语言处理研究领域的热门研究内容之一。该文针对反讽识别中缺乏上下文语境信息和修辞表达信息的问题,提出了基于多语义融合的反讽识别方法。该方法采用ELMo从大规模反讽文本中训练得到领域词嵌入表示,并融合基于词性和基于风格信息的语义表示,使用双向长短时记忆网络和卷积神经网络进行反讽识别。实验结果表明,所提出模型能够从多个维度提取反讽文本的潜在语义特征,在公开数据集IAC上的实验性能有显著提升。

基于多语义特征融合的图像检索

多媒体技术的发展导致数字图像迅速增长,如何根据语义特征高效检索出满足用户要求的图像,已成为当前各行业迫切需要解决的问题。为此提出一种基于颜色、纹理和形状三种语义特征的图像检索方法,建立了颜色和纹理特征的语义描述,使用BP神经网络实现了低层视觉特征到高层语义特征的映射。选取Corel图像库作为测试图像库,实验通过与基于颜色语义特征的检索方法相比较,取得了良好的实验效果。

关联数据的自动语义融合方法研究

研究关联数据的自动语义融合方法,提高关联数据的语义融合程度。利用传统算法进行数据的自动语义融合,往往只能针对同一知识单元的数据进行融合,假设待融合数据为不同知识单元、不同属性的关联数据,则数据间的语义融合很难实现。为此,提出基于概念关联性和重要性度量算法的关联数据的自动语义融合方法。针对关联数据的自动语义进行关联度计算,为避免对高端语义判别错误,采用语义概念相关性进行语义筛选,获取概念的被选择概率,根据改进方法步骤实现关联数据自动语义的进一步融合。实验结果表明,利用改进算法进行关联数据的自动语义融合,能够有效的获取语义关联度值以及相关性自动语义概念选择,从而实现关联数据的自动语义融合,提高了自动语义的融合程度,具有极大的优越性。

基于隐马尔科夫模型与语义融合的文本分类

提出一种融合语义的隐马尔科夫模型用于文本分类的方法。将特征词的语义作为先验知识融合到隐马尔科夫分类模型中。通过信息增益提取特征词,用word2vec提取特征词语义,将每一个类别映射成一个隐马尔科夫分类模型,模型中状态转移过程就是该类文本生成过程。将待分文本与分类模型做相似度比较,取得最大类别输出概率。该方法不仅考虑特征词、词频、文档数量先验知识,而且将特征词语义融合到隐马尔科夫分类模型中。通过实验评估,取得了比原HMM模型和朴素贝叶斯分类模型更好的分类效果。

概念知识元的语义融合生成路径与框架

概念形态知识元的融合是知识创造的一种重要途径,也是自主知识体系创新的基础环节。揭示概念形态知识元的融合生成机理,是知识创造的重要基础理论问题。首先,对概念知识元的内涵、结构和内容描述模型进行了说明;其次,从语义重组视角揭示了概念知识元的生成路径;最后,在上述研究基础上构建了概念知识元的语义融合生成框架。概念知识元的语义融合生成路径主要有外来知识的引入、知识相关关系的发现和知识的选择性进化。概念知识元的语义融合生成框架包括知识元的获取、解析、关联构建和重组生成环节,各个环节由相应的心理机制控制。