抽取-生成式自动文本摘要技术研究综述

自动文本摘要技术是一项利用计算机按照某类应用自动地将文本或文本集合转换成简短摘要的信息压缩技术。在当前互联网的快速发展背景下,涌现出大量复杂的信息,导致人工无法精准捕捉有效的信息。为此,在本着更准确、更便捷、更高效地收集信息为目的的前提下,利用自然语言处理中自动文本摘要技术处理复杂文本的优势将显得格外突出。随着抽取式摘要技术和生成式摘要技术的发展成熟,抽取-生成式摘要技术逐渐兴起。以技术分析为干线,对抽取-生成式摘要技术进行综述。首先,介绍了抽取-生成式摘要技术中的评价方法以及常用中英文数据集;其次,通过实例分析六类主流技术方法并对比其优缺点:基于强化学习的方法、基于信息论的方法、基于指针网络的方法、基于序列标注的方法、基于预训练的方法、基于联合注意力的方法;最后,总结了抽取-生成式摘要技术面临的挑战并展望了抽取-生成式摘要技术未来的发展方向。

基于XML Web的物流管理系统的研究与实现

讨论了传统Web与XML Web的区别,在此基础上研究并实现了一套基于XML的物流信息管理系统.该系统采用基于XML Web的三层架构,可应用于.NET Framework的任何平台,有效地实现了物流的各功能要素,尤其是物流信息服务的有机整合,为解决制约当前物流系统的瓶颈问题提供了一个有效途径.

基于形变模型和随机照片集的人脸三维重建

目前三维人脸重建方法很难得到人脸细节,较难适应于随机照片集,针对此问题,提出一种可以适应于无约束照片集的人脸重建方法。首先,通过联合特征点,采用三维形变模型(3DMM)来生成个性化样本,在联合朗勃照片渲染公式中解决了光度立体;然后,提出一种关联性测量来权重人脸各个部分的影响,在法线估计和表面重建中交替进行由粗到精的处理,得到人脸三维模型。实验使用合成数据和真实数据集进行性能测试。结果表明,所提方法可以重建详细的个人三维人脸模型,模型精度比其他方法更加精确;并在一定程度上提高了计算效率,可适用于无约束的照片集。

基于自适应图卷积网络的心电图多标签分类模型

心电图分析是一种被广泛应用的心脏疾病诊断方法。传统的心电图分析严重依赖医生个人水平,容易出现误诊、漏诊现象,效率较低,且不能有效利用高频信号提供的有价值信息。基于卷积神经网络(CNN)的心电图自动分类方法在一定程度上提高了诊断效率,但依然存在对高频信息利用不充分的问题,且单一的卷积神经网络由于受感受野的限制和权重共享的影响,导致无法充分利用全局信息,分类准确率有待提高。提出一种基于注意力机制与图卷积网络的心电图多标签分类模型MLECG-AGCN,通过设计基于注意力机制的CNN网络,提高网络对高频信号的利用率。引入图卷积网络,以有效利用全局信息和特征空间邻域样本信息,从而协助样本进行分类,提高分类结果的准确率。基于注意力机制的CNN网络通过高通滤波器突出原始信号的高频位置,生成注意力图,并将注意力图嵌入到原始信号中,增强网络关注高频信号的能力。在PTB-XL数据集上的实验结果表明,基于注意力机制的CNN网络与自适应图卷积网络的结合有效提高了心电图分类精度,与Multi-ECGNet、ResNet18、ResNet101等模型相比,MLECG-AGCN模型取得了较高的AUROC值,为0.943639。

新疆哈密野马泉西金矿区资源量数据集

康古尔塔格韧性剪切带是金矿重要控矿带,产有康古尔、马头滩、石英滩等重要矿床。野马泉西金矿即位于该韧性剪切带的东延苦水-雅满苏韧性剪切带上,属韧性剪切带控矿型金矿。本文在野外地质调查基础上采集了野马泉西金矿探矿工程坐标、工程内样品的分析测试成果等数据,采用地质块段法对野马泉西金矿资源量进行了估算,形成了数据集。数据集测试样品均委托有国家甲级资质的测试中心进行,内外检合格率90%以上,数据质量可靠,对周边同类型矿床的资源量估算具参考意义。

资源描述中的词表重用类型与实现方式

为提高资源描述的规范化及标准化,提升资源之间的互操作能力,各类型词表不断被创建及使用,词表重用已成为资源描述中的关键问题。本文从资源描述的基本结构出发,基于数据模型和资源标注两个阶段对词表层、模式层及数据层进行详细分析;探讨词表层、概念层两种重用类型,认为当前用户更关注于词表层重用,概念层重用将随着词表生态环境的完善得到进一步发展;以数据模型中的类与属性为划分对象,以RDF三元组形式入手对词表重用实现方式进行深入研究,有助于明确各种方式之间的差异性及适用环境,能够有效地指导用户运用已有词表对数据集的类、属性及其取值范围进行准确描述,从而提升数据集的质量。

一种快速渐进式卷积神经网络结构搜索算法

手动设计卷积神经网络结构对专业性要求高、难度大。基于梯度可微的搜索快速高效,但这类方法存在深度鸿沟和稳定性较差的问题。提出一种结合渐进式搜索和贪心指标的快速渐进式结构搜索算法(FPNAS),通过渐进式扩展搜索阶段的结构,使得搜索阶段的网络结构逐渐接近评估阶段,避免深度鸿沟造成的影响。同时,通过运用贪心指标作为选边准则,增加搜索评估的相关性并提高搜索的稳定性。针对网络结构搜索算法消耗计算资源多的问题,提出渐进式划分数据集方法,通过分阶段不同比例的数据集划分来减少结构搜索的计算资源消耗。以准确率和搜索时间作为评价指标,将FPNAS与渐进式可微结构搜索算法和贪心搜索算法进行对比,实验结果表明,FPNAS搜索出的网络结构稳定性得到改进,搜索时间分别缩短0.19和0.14个GPU Days,在CIFAR-10数据集上精度最高达到97.7%。