基于预训练模型与标签融合的文本分类

对海量的用户文本评论数据进行准确分类具有重要的经济效益和社会效益。目前大部分文本分类方法是将文本编码直接使用于各式的分类器之前,而忽略了标签文本中蕴含的提示信息。针对以上问题,提出一种基于RoBERTa(Robustly optimized BERT pretraining approach)的文本和标签信息融合分类模型(TLIFC-RoBERTa)。首先,利用RoBERTa预训练模型获得词向量;然后,利用孪生网络结构分别训练文本和标签向量,通过交互注意力将标签信息映射到文本上,达到将标签信息融入模型的效果;最后,设置自适应融合层将文本表示与标签表示紧密融合进行分类。在今日头条和THUCNews数据集上的实验结果表明,相较于将Labelatt(Label-based attention improved model)中使用的静态词向量改为RoBERTa-wwm训练后的词向量算法(RA-Labelatt)、RoBERTa结合基于标签嵌入的多尺度卷积初始化文本分类算法(LEMC-RoBERTa)等主流深度学习模型,TLIFC-RoBERTa的精度最高,对于用户评论数据集有最优的分类效果。

基于模数的WiMAX网络高负载自适应冲突解决算法

根据现有的部分研究结果发现,IEEE 802.16标准中使用的截断二进制指数后退算法在解决网络冲突时效率很低;并且当网络的负载增多时,该算法的运行性能更差。在此基础上,提出了一种基于模数的自适应冲突解决算法来优化WiMAX网络的冲突解决过程。该算法将所有用户站按照当前时间帧内的传输机会数量分为多个小组,并且要求用户站只能通过特定的传输机会发送请求。与此同时,为了保证整个网络的高性能,本算法要求基站和用户站根据上一轮请求过程中的平均冲突概率和传输机会使用率来调整当前时间帧内的传输机会数量,以及挑选部分用户站参与带宽请求,保证了WiMAX网络在高负载情况下的运行性能。模拟结果表明,本算法在WiMAX网络运行过程中能够较好地解决请求过程中的冲突,对网络性能提高较大。

一种用于等高线分析的矢量算法

提出一种矢量外积算法,可以高效、快速和准确地对等高线特征点进行分类,并通过试验进行验证。