利用BERT和覆盖率机制改进的HiNT文本检索模型

为有效提升文本语义检索的准确度,本文针对当前文本检索模型衡量查询和文档的相关性时不能很好地解决文本歧义和一词多义等问题,提出一种基于改进的分层神经匹配模型(hierarchical neural matching model,HiNT)。该模型先对文档的各个段提取关键主题词,然后用基于变换器的双向编码器(bidirectional encoder representations from transformers,BERT)模型将其编码为多个稠密的语义向量,再利用引入覆盖率机制的局部匹配层进行处理,使模型可以根据文档的局部段级别粒度和全局文档级别粒度进行相关性计算,提高检索的准确率。本文提出的模型在MS MARCO和webtext2019zh数据集上与多个检索模型进行对比,取得了最优结果,验证了本文提出模型的有效性。

UNIFORMIZATION OF MULTIGRANULAR LINGUISTIC LABELS AND THEIR APPLICATION TO GROUP DECISION MAKING

In multiple attribute group decision making （MAGDM） problems based on linguistic information, the granularities of linguistic label sets are usually different due to the differences of thinking modes and habits among decision makers. In order to deal with this inconvenience, the transformation relationships among multigranular linguistic labels （TRMLLs）, which are applied to unify linguistic labels with different granularities into a certain linguistic label set with fixed granularity, are presented in this paper. Furthermore, the reference tables are made according to TRMLLs so that the interrelated calculation will be less complicated, and the method of how to use them is explained in detail. At length, the TRMLLs are illustrated through an application example.

基于BLAP聚类和多粒度犹豫模糊集的售电套餐推荐方法

现有基于用户评价信息的售电套餐推荐方法因忽略了差异化用户评价信息的多样性,且仅考虑了用户擅长评价售电套餐所有属性的情形,给推荐结果带来较大偏差。为此,提出了一种基于双层邻近传播(BLAP)聚类和多粒度犹豫模糊语言评价集的售电套餐推荐方法。首先,提出了基于用户画像标签体系和BLAP聚类的样本用户集划分方法,以辨别用电特性相似的用户;然后,考虑多粒度犹豫模糊语言评价集和权重不完整信息,提出了样本用户集对售电套餐选择的模糊评价方法;接着,提出了基于样本用户集评价信息的新用户满意度评估方法和售电套餐的全排序推荐方法,以实现售电公司对售电套餐的精准推荐。最后,以中国某地区用户为对象进行算例分析,结果表明基于BLAP聚类和多粒度犹豫模糊集的售电套餐推荐方法能够帮助售电公司提高推荐质量,进而提升用户满意度,增强用户黏性。

基于全局图和多粒度意图单元的会话推荐

现有基于图神经网络的会话推荐模型通过捕获项目复杂转换模式挖掘项目之间的潜在信息,但极少考虑跨会话信息及当前会话中的高层次信息,因此无法捕捉会话中复杂的依赖关系。针对该问题,建立基于全局图和多粒度意图单元的会话推荐模型。构造跨会话图,利用图注意力网络得到跨会话表示。在连续意图单元上,构建多粒度意图单元异构会话图,得到全局和局部表示。将跨会话、全局和局部表示进行融合,捕捉会话中项目之间的复杂依赖关系。在意图融合排序模块中,分析会话重复点击和探索行为,并聚合所有级别的意图单元进一步提高模型推荐性能。在Diginetica和Tmall数据集上的实验结果表明,所提模型在平均倒数排名和精确度指标上相比于最优基线模型提高了2.12%和1.27%,具有较好的推荐性能。

基于多粒度粗糙集的微媒体错失焦虑分析研究

随着信息技术的快速发展,多种短视频类交互平台赢得用户青睐,针对用户面对海量数据可能产生错失焦虑心理的问题,为了量化用户错失焦虑(Fear Of Missing Out,FOMO)的程度,利用多粒度决策粗糙集模型,借助期望确认理论,将通过李克特量表采集到的数据量化成离散数据,借助条件概率和粗糙代价矩阵计算出具体焦虑情况的评估值。同时将评估值与实际调查结果进行对比,得出该模型可以量化用户当前焦虑程度并挖掘潜在焦虑倾向的结论,为错失焦虑影响因素的研究和错失焦虑心理的发现与治疗提供更多的依据。

协调的不完备多粒度标记决策系统的最优粒度选择

针对具有多粒度标记的不完备信息系统的知识获取问题展开研究,首先,介绍不完备多粒度标记信息系统的概念,在不完备多粒度标记信息系统中的对象集上定义相似关系.然后,给出在不同粒度层面下信息粒度的表示及其相互关系,并进一步定义基于相似关系的集合的下、上近似概念,讨论它们的性质.最后,用证据理论中的信任函数和似然函数刻画协调的不完备多粒度标记决策系统的最优粒度选择特征.

基于MGCBF算法的长流信息统计

为提高流测量系统的运行效率,减小其所需存储资源,在分析网络中流长分布特性的基础上,提出一种新的用于测量长流数量并维护其流信息的算法———多粒度计数bloom filter(MGCBF).利用较少的固定存储空间,MGCBF可以在保持较小误差比例的情况下,对所有到达的流基于报文计数.在MGCBF算法的基础上以指定报文数为阈值建立了一个长流信息统计模型,并对该模型所需的存储空间、计算复杂度和计算误差进行了分析和讨论.通过将其分别应用于来自不同网络的TRACE:CERNET和CESCAI,验证了该算法在保证测量精度的同时可以大幅度减小维护流信息所需的系统资源.

基于投影及优势度的不确定语言群决策方法

针对属性权重信息不完全的多粒度不确定语言多属性群决策问题,提出一种基于投影及优势度的群决策方法。该方法采用连续区间二元语义的有序加权调和平均(ITC-OWH)算子将多粒度不确定语言评价矩阵转化为二元语义决策矩阵,基于投影法构建目标规划模型,从而确定单个决策者的属性权重向量。在每个决策者之下,计算任意2个方案之间比较的综合属性优势度,根据综合优势度矩阵及决策者权重向量获得群体综合优势度矩阵,由各方案的总优势度获取方案的排序结果。最后,将提出的群决策方法应用到潜艇研制方案遴选问题中,验证了该方法的可行性与有效性。

多相位粒度萤火虫同步算法

该文针对分布式时间同步算法中,低耦合系数的分组同步问题和大耦合系数的相位振荡失稳现象,提出一种多粒度一致分布式时间同步算法,采用离散多相位粒度模型,将报文交换的相位信息采用多个相位分辨力进行耦合同步,有效地减少了分组现象,加快了同步进程,并提高了算法的执行效率。最后利用仿真实验和传统的M&S仿生算法进行对比实验,验证了其在非全连接网络中,可以取得比传统算法更好的同步效果。

多粒度概率语言环境下基于PROMETHEE的改进FMEA方法

针对传统故障模式和影响分析(FMEA)方法中存在关于故障模式评估、风险因子权重和风险优先级排序等方面的固有缺陷,提出了一种多粒度概率语言环境下基于偏好顺序结构评估法(PROMETHEE)的改进FMEA方法。该方法运用多粒度概率语言术语集(PLTS)刻画了专家评估信息的多样性和不确定性,并基于二元语义转换函数为引入工具的语言计算模型统一各专家多粒度风险评估信息,运用最优最劣法(BWM)和熵权法相结合的综合赋权法确定风险因子权重,将PROMETHEE拓展到概率语言环境中用于确定故障模式风险优先序。最后,运用托盘交换架故障风险评估案例来验证该方法的适用性和有效性,并进一步通过敏感度与对比分析以显示该方法的优越性。

WDM多粒度网络中的波带通道分配算法

文章提出了一种波分复用(WDM)多粒度网络中的静态波带通道分配算法———平衡路由双向首次命中算法(BBFF,Bal-anced-routing-B id irectional-F irst-fit)。该算法旨在减少全网多粒度全光域光交叉连接器(MG-PXC)的端口数,降低网络成本和控制复杂度。算法在路由选择阶段尽量保证全网负载平衡;在波长分配阶段采用改进了的首次命中(FF)算法,减少了因配置零散波长通道而无法建立波带通道的可能。仿真结果表明,BBFF算法的两个特征,都有效地减少了MG-PXC的端口数,降低了网络成本。

多粒度模糊粗糙集的表示与相应的信任结构

利用多粒度粗糙集的上、下近似及其性质,结合模糊集的分解定理,研究多粒度模糊粗糙集的上、下近似的表示及性质,根据多粒度模糊粗糙集的上、下近似构造信任函数与似然函数。

基于NWD集成算法的多粒度微博用户兴趣画像构建

微博文本特殊性的存在使得微博用户兴趣画像难以有效构建。为此,提出了一种集成算法--新词发现-双向长短期记忆网络-梯度提升算法。首先针对微博文本的非正式性,提出了一种基于支持度视角的新词发现(New Word Discovery, NWD)算法,发掘其中大量存在的网络用语以实现更加准确的分词及语义把握;其次,引入Simhash算法使得微博文本中的"信息过载"现象得到改观;再次,为改善微博文本的简洁性而引起的特征稀疏问题,采用双向长短期记忆网络(Bidirectional Long Short-term Memory,Bi-LSTM)模型提取博文语义特征;最后,通过融合微博用户静态特征训练梯度提升(extreme Gradient Boosting,XGBoost)模型,从而有效构建多粒度微博用户兴趣画像。实验结果表明,粗粒度(一级)兴趣标签模型NWD-Bi-LSTM和细粒度(二级)兴趣标签模型NWD-Bi-LSTM-XGBoost的宏平均F1值(Macroaverage F1 score, mF1)和受试者工作特征曲线下面积(Area Under ROC Crave, AUC)分别高达83.6%, 79.7%和70.4%,63.6%,相对于基准模型, NWD算法的集成使得模型的m F1值和AUC值均能提升3%~5%,其促进作用优于现有的新词发现方法。

多层次多粒度采煤机创新设计知识表达方法

针对现有知识表达方法难以全面有效地表达采煤机创新设计知识、采煤机专题知识库对知识的表达不够全面和检索效率不高等问题,为实现采煤机创新设计知识和经验的重用,激发设计者进行知识类比迁移的能力,提出了多层次多粒度采煤机创新设计知识表达方法。提取参数、结构、功能、原理、效应和领域等6种属性,用不同抽象粒度的知识对属性进行描述,每一个粒度又分别对应着概念层、语义关系层、实例层等抽象层面。通过特征属性描述生成知识条目,构建了多层次多粒度采煤机创新设计知识库,并通过本体推理和语义扩展从本地知识库和互联网资源检索得到不同层次不同粒度的知识,从而实现采煤机创新设计知识的多层次多粒度表达。以采煤机滚筒结构改进设计为例验证了该方法的可行性。

多粒度时空事件建模与可视化方法初探

基于全空间信息系统的应用背景和多粒度时空对象的思想,探讨了时空事件的内涵和基本特征,并提出了多粒度时空事件的概念;分析了现有时空数据模型特点,基于多粒度时空对象数据模型,提出了多粒度时空事件建模的基本理念;以此为依据,针对现有可视化技术的不足,对全空间信息系统对多粒度时空事件的表达特点进行了初步阐述。

广义不完备多粒度标记决策系统的粒度选择

粒计算(granular computing,GrC)是知识表示和数据挖掘的一个重要方法,它模拟人类思考模式,以粒为基本计算单位,以建立大规模复杂数据和信息处理的有效计算模型为目标.粒计算主要研究粒的构造、解释、表示、粒度的选择以及用规则形式所描述的粒与粒之间的关系等.针对具有多粒度标记的不完备信息系统的知识获取问题,首先,介绍了广义不完备多粒度标记信息系统的概念,在该信息系统中定义了相似关系,给出了在不同粒度标记层面下信息粒的表示及其相互关系,并定义了基于相似关系的集合的下、上近似概念,给出了近似算子的性质;其次,定义了广义不完备多粒度标记决策系统中的粒度标记选择的概念,阐明了所有粒度标记选择全体构成了一个完备格;最后,讨论了广义不完备多粒度标记决策系统中的最优粒度标记选择问题,并用证据理论中的信任函数和似然函数刻画了协调的不完备多粒度标记决策系统的最优粒度选择特征.

基于多尺度多粒度融合的行人重识别方法

行人重识别是指利用计算机视觉技术在给定监控的图像中识别目标行人,受拍摄场景视角和姿势变化、遮挡等因素的影响,现有基于局部特征的行人重识别方法所提取的特征辨别力差,从而导致重识别精度较低。为有效地利用特征信息,提出一种多尺度多粒度融合的行人重识别方法 MMF-Net。通过多个分支结构学习不同尺度和不同粒度的特征,并利用局部特征学习优化全局特征,以加强全局特征和局部特征的关联性。同时,在网络的低层引入语义监督模块以提取低层特征,并将其作为行人图像相似性度量的补充,实现低层特征和高层特征的优势互补。基于改进的池化层,通过结合最大池化和平均池化的特点获取具有强辨别力的特征。实验结果表明,MMFNet方法在Market-1501数据集上的首位命中率和mAP分别为95.7%和89.1%,相比FPR、MGN、BDB等方法,其具有较优的鲁棒性。

基于深度森林的电商平台用户行为预测方法

为提高电商平台用户行为预测的准确度,解决传统机器学习方法需要设置大量超参数的问题,提出了一种基于深度森林的用户购买行为预测方法。该方法首先采用多粒度扫描提取用户行为数据的概率特征向量,然后利用级联森林生成增强特征向量并输出预测结果。实验测试了不同决策树模型对用户行为预测的适应性,并确定了随机森林决策树数目。将深度森林模型与传统机器学习预测方法进行对比实验。实验结果表明深度森林模型具有较高的预测准确率,且训练时间优于其它深度学习方法。

基于多粒度的多源数据知识获取

多粒度认知能力是人类分析复杂数据的一种常用策略。作为复杂数据类型之一的多源数据,因其数据源头多而使得数据分析变得复杂。受多粒度思想的启发,以多源信息系统为数据基础,基于悲观的决策策略,提出了多源划分约简集的定义。讨论了多源划分约简集与划分约简集之间的关系,并给出了相应的属性特征的判别方法。最后,针对多源决策信息系统,基于乐观的决策策略,提出了多源决策规则。借鉴多粒度模型,从一个新角度所提出的多源数据分析方式进一步丰富了知识获取的方法。

基于模糊邻域熵的多粒度离群点检测方法

离群点检测是数据挖掘和机器学习领域重要的研究方向之一,其目的是识别与其他样本表现显著不同的样本。本文提出了一种基于模糊邻域熵的多粒度离群点检测方法。首先,将模糊相似性引入邻域熵和相对熵,提出模糊邻域熵和相对模糊邻域熵的不确定性度量。其次,分析了模糊邻域熵和相对模糊邻域熵在逻辑和几何上的差异特性。最后,结合理想解法(TOPSIS)和多粒度序列提出了新的样本离群程度评判标准TFMME-OF(TOPSIS and Fuzzy Multigranulation Mixed Entropy-based Outlier Factor)。实验结果表明,该方法相较于其它同类方法有更好的离群点检测效果。