顾及路网约束的深度地图匹配方法

在低频或非均匀采样条件下,已有的地图匹配算法存在匹配精度不高或效率较低的问题。本文提出了一种顾及路网约束的深度地图匹配方法(RNCMM)。该方法首先利用Seq2Seq框架将低频轨迹点序列端到端地映射为高频路段序列;其次根据道路与轨迹点间的距离、方位差构建细粒度约束掩模层,有利于缓解轨迹网格表示的局限性,提高匹配精度;然后引入注意力机制和多任务学习机制,挖掘轨迹点间的时空关联性,并进行路段与方向的联合预测;最后在Porto出租车轨迹数据集和OSM路网上进行试验。结果表明,相较于传统的隐马尔可夫模型(HMM)算法,本文方法可以有效地提高低频浮动车轨迹的匹配精确度和效率。

注意负荷对内隐序列学习的影响研究

运用次级任务研究范式,采用符号计数的次级任务和歧义序列中的次级条件序列,将内隐序列学习分为单任务组和双任务组,统一在单任务条件下测试。结果发现:(1)两组被试内隐学习成绩差异不显著;(2)双任务组被试在学习组块和测试组块的内隐学习差异也不显著。结果进一步支持了在次级任务占用注意资源的条件下内隐学习仍然可以正常地获得、内隐序列学习不受注意负荷影响的观点。

第二任务对内隐序列学习的影响

以位置序列为材料,考察注意资源在内隐序列学习中的作用。结果发现:(1)在单任务、有噪音、双任务三种实验条件下,被试均可以获得有关样例和规则的序列知识;(2)在单任务条件下,被试能够控制知识的表达,表现出一定的意识知识;而在双任务或有噪音条件下,被试获得的知识是无意识的。表明注意资源影响意识知识的获得,但并不一定会影响无意识知识的获得和表达。

中小学生内隐序列学习的机制(英文)

内隐序列学习是内隐学习的一种重要形式。该文探讨了中小学生内隐序列学习的心理机制及次级任务影响内隐序列学习的实质。结果表明 ,中小学生对不同结构序列的内隐学习是由一个单一的学习机制完成的 ,学习的过程即是形成序列内相邻元素间联合的过程 ;另外 ,注意能量并不是内隐序列学习的重要影响因素 ,次级任务影响内隐序列学习并不是因为其分散了注意能量 。

基于多任务深度学习的关键词生成方法

针对现有的关键词生成模型往往不能充分利用题目与关键词之间密切的关系预测关键词的问题,提出一种基于序列到序列的多任务注意力联合训练模型(Joint-MT)。将关键词生成任务作为主要任务,题目生成作为辅助任务;在目标函数上,除独立的多任务交叉熵损失,还添加一致性损失,加强多任务注意力机制之间的约束。实验结果表明,Joint-MT无论是在文内关键词预测还是在缺失关键词预测上都优于其它对比模型,说明Joint-MT模型能够增强任务之间的相互关系,提升关键词预测的效果。