基于语义关联融合的案件识别

案件类型的判别是后续案件规律挖掘的重要一环。历史案件数据主要以犯罪人员作案类型划分,并未从受害者和案发地址等角度开展研究。为挖掘数据潜在价值,本文在此展开案件实体关系研究,结合案发地址类型实现涉医涉校案件判别,针对特定类型的案件,可以制定相应的预防策略和优化预防措施。特定案件识别可以分解为三个部分:首先,采用地址相似性和关键词文本分类两种方法实现案发地址类型判别,同时借鉴优化余弦和弹性距离算法,提升地址类型判别的效率;其次,使用中文句法结构,弥补要素提取模型姓名和职业分离缺陷,锁定受害人姓名所对应的职业;最后,在地址类别和人职关系的基础上,设置打标的筛选规则,实现特定案件的识别。

基于矩阵分解的协同过滤算法研究

针对协同过滤算法中相似度计算方式只考虑单一评分数据从而导致推荐效果不理想、且在数据稀疏条件下推荐结果不全、效率不高等问题,提出一种改进的协同过滤推荐方法,通过矩阵分解,构建用户表征向量来计算用户相似度。首先,构建用户表征矩阵和物品项目表征矩阵。其次,设置损失函数,使用户表征向量与物品表征向量内积拟合评分数据,最后,使用用户表征向量计算的相似度与传统相似度以特定权重相融合。在MovieLens数据集上进行实验,结果表明改进后算法在绝对平均误差MAE上有所提升,在数据稀疏的情况下提高了推荐的准确率。

基于BERT的黑灰产网页分类方法研究

本文提出了一种基于BERT模型的网站分类算法,用于识别特定网站。该算法利用BERT提取网页文本句子特征向量,并采用自注意力层,解决了计算机配置要求的问题。句向量经过核函数SVM分类器进行分类,使用Focal loss处理数据不平衡。实验结果表明,该方法在分类准确度方面明显优于传统机器学习算法和独立的BERT模型。

基于方向条件的循环一致性生成对抗网络

为了充分利用非配对数据进行图像翻译、减少网络参数和提高训练速度,采用条件生成对抗的监督训练与循环一致性生成对抗的无监督训练相结合的方法,设计了基于方向条件对偶的生成网络,同时采用Patch结构的判别器输出多维判别结果,结合感知损失和同一损失与循环一致损失,设计了更有效的损失函数。通过在相同数据集上与CycleGAN进行对比实验,验证了所提网络在非配对图像翻译任务上,网络参数减少34%,生成图像的PSNR值平均提升4.9%,SSIM值平均提升6.3%,并且有效提升了训练速度和重建图像的质量。