基于双三元组网络的易混淆文本情感分类方法

预训练模型的快速发展使得情感分类任务得到了突破性进展,然而互联网提供的海量数据中存在着大量语义模糊、易混淆的文本,制约了当前多数模型的分类效果。针对易混淆文本对情感分类的负面影响,该文提出了一种基于双三元组网络的易混淆文本情感分类方法。该方法有效解决了传统三元组网络中同类文本特征之间仍存在明显差异的问题,改进了三元样本组合的构建方式,分别从易分类文本和普通文本中构建出两对三元样本组合,并以不同权重进行特征相似度比对,让模型深入挖掘易混淆文本和易分类文本的特征编码差异,充分学习同类别文本间的相似性和混淆类别文本间的差异性,提高了文本特征的聚类效果;同时,在训练过程中将本批次的易混淆文本加入到下一批次进一步训练,更有效地利用了易混淆文本的语义信息,以此提升模型整体的分类效果。在nlpcc2014、waimai_10k和ChnSentiCorp数据集上进行对比实验,实验结果表明,与现有的易混淆文本情感分类方法相比,该方法在准确度和F1值上具有更好的表现,其中F1值相较于基准模型提升了3.16%、2.35%和2.5%,验证了所提方法的有效性和合理性。

GKCI:改进的基于图神经网络的关键类识别方法

研究人员将软件系统中的关键类作为理解和维护一个系统的起点,而关键类上的缺陷给系统带来了极大的安全隐患.因此,识别关键类可提高软件的可靠性和稳定性.常用的识别方法是将软件系统抽象为一个类依赖网络,再根据定义好的度量指标和计算规则计算每个节点的重要性得分,如此基于非训练框架得到的关键类,并没有充分利用软件网络的结构信息.针对这一问题,基于图神经网络技术提出了一种有监督的关键类识别方法.首先,将软件系统抽象为类粒度的软件网络,并利用网络嵌入学习方法Node2Vec得到类节点的表征向量,再通过一个全连接层将节点的表征向量转换为具体分值;然后,利用改进的图神经网络模型,综合考虑类节点之间的依赖方向和权重,进行节点分值的聚合操作;最后,模型输出每个类节点的最终得分并进行降序排列,从而实现关键类的识别.在8个Java开源软件系统上,通过与基准方法的实验对比,验证了该方法的有效性.实验结果表明:在前10个候选关键类中,所提方法比最先进的方法提升了6.4%的召回率和3.5%的精确率.

多策略改进的蜣螂优化算法及其应用

蜣螂优化算法(DBO)是近年提出的智能优化算法,与其他优化算法一样,DBO也存在收敛精度低、易陷入局部最优等缺点。针对DBO的这些局限性,提出一种多策略改进的蜣螂优化算法(MIDBO)。首先,改进雏球和偷窃蜣螂对局部最优解和全局最优解的接受程度,使其根据自身搜索能力动态变化,既提升了种群质量又保持了适应度高的个体的良好搜索能力;其次,融合麻雀搜索算法中的追随者位置更新机制对算法进行扰动,并用贪婪策略更新位置,提升了算法的收敛精度;最后,当算法陷入停滞时引入柯西高斯变异策略,提高了算法跳出局部最优解的能力。仿真实验基于20个基准测试函数和CEC2019测试函数,验证了3种改进策略的有效性,将所改进算法和对比算法的优化结果进行收敛性分析和Wilcoxon秩和检验,证明了MIDBO具有良好的寻优性能和鲁棒性。将MIDBO运用在汽车碰撞优化问题的求解上,进一步验证了MIDBO在求解实际工程问题中的有效性和可靠性。

给定k-错非线性复杂度的有限长二元序列的分布

当n<2c且具有相同k-错非线性复杂度时,本文证明了长度为n非线性复杂度为c的二元序列与长度为n+t非线性复杂度为c+t的二元序列有相同的数目(t为任意非负整数);对于长度为n非线性复杂度为c的二元序列,确定了k-错非线性复杂度分别为1和2的序列数目.

基于注意力机制的人像分割方法

注意力机制能够挖掘与任务密切相关的重要信息并抑制非重要信息,在语义分割的深层特征表示中发挥着越来越重要的作用。本研究基于广泛应用的U-Net模型,提出了一种基于注意力机制的神经网络模型,针对边缘分割模糊的问题,将U-Net的压缩路径和扩展路径中的双卷积替换为卷积核选择模块,该模块允许网络的每一层根据输入信息进行自适应调整接受野的大小;另外,针对人像分割网络存在不同尺度的全局上下文信息被忽略的问题,采用多尺度预测融合的方法来利用不同尺度的全局信息,并采用双注意力模块汇总空间和通道两方面的注意力信息。大量实验表明,本文中方法的性能与U-Net、UNet++和Attention U-Net等网络相当或更好。

线性代数中的线性方程组方法

本文从齐次线性方程组的同解理论、非零解的判定、解空间的维数公式、解空间与系数矩阵行空间的正交性等角度,阐述线性方程组方法在线性代数中的广泛应用.

基于语义与结构特征融合的整数溢出漏洞检测

针对传统智能合约漏洞检测方法对于源代码信息挖掘不充分的问题,本研究聚焦于智能合约最具代表性的整数溢出漏洞,提出一种语义和结构特征融合的智能合约漏洞检测方法。该方法首先通过智能合约的操作码序列获取漏洞的语义特征,然后构建合约的控制流程图,传入图注意力网络中进行训练,得到其特征表示。接着使用双向长短期记忆网络和注意力机制进行训练获得漏洞代码的上下文序列特征,并将提取的语义和结构特征相结合进行漏洞检测。实验结果表明,本文中提出的算法在数据集中的F_(1)分数和准确率分别为95.86%和95.08%,与其他传统检测方法相比有较明显的性能提升。

图像处理中基于深度学习的图像语义分割综述

图像语义分割(Semantic Segmentation)是计算机视觉领域的研究热点,图像语义分割不仅能预测一幅图像中的不同类别,同时还能定位不同语义类别的位置,具有重要的研究意义和应用价值。这些方法被用于人工智能当中,应用于无人驾驶、遥感影像检测、医疗影像等研究领域。全卷积神经网络的快速崛起推动了图像语义分割领域的发展,二者的融合取得了显著的成就。主要从语义分割的介绍出发,对近几年的代表性工作进行了阐述,并对未来的研究方向进行展望。

基于定向变异策略的改进克隆选择算法

本文针对克隆选择算法(CSA)存在的问题,如搜索速度慢、收敛精度低、容易陷入局部最优,提出一种基于定向变异的改进克隆选择算法(DMSCSA).该算法引入Halton序列来生成均匀分布的初始化种群,实现对解空间更高效的搜索;采用黄金正弦变异策略在迭代过程中对优秀抗体定向变异,提升算法收敛速度;引入柯西变异策略,能够在保证种群多样性的前提下提高算法跳出局部最优的能力.使用CEC2019测试函数集中的8个不同的测试函数并与其他同类型算法进行对比实验,通过实验结果可知,DMSCSA算法在寻优精度、收敛速度等方面均有提升.

Fibonacci数列在递归与动态规划算法教学中的应用

递归与动态规划算法是算法设计与分析课程中培养学生计算思维、提高解决实际问题能力的两类主要算法。为了减小学生理解这两类抽象算法设计方法的难度,提高学习兴趣,文章讨论了将同一Fibonacci数列作为案例应用于它们的教学方案。基于该数列与这两个教学内容的内部联系,通过实施案例分析、讨论交流、设计求解、比较总结的方法进行教学。教学实践结果表明:学生不仅较容易地掌握了这两个算法设计方法的基本框架、本质区别及算法分析方法,而且提高了专业知识理解力及计算思维修养。

关于可对角化矩阵的注记

证明了“几乎所有的”n阶矩阵的特征值都是两两互异的,从而“几乎所有的”n阶矩阵均可以相似对角化,并基于这一原理拓展了摄动法的应用范围.

基于Bert_TextCNN模型的漏洞知识库问答系统

融合知识图谱(knowledge graph)在特定领域做问答系统是当下热点之一,用户的意图识别任务是问答系统中至关重要的一步.针对不同漏洞平台管理漏洞情报存在差异、内容不全面和信息孤立,以及用户获取全面的漏洞情报困难等问题,提出构建融合CNVD和CNNVD的综合漏洞知识图谱,在此基础上构建基于Bert_TextCNN意图识别的漏洞知识库问答系统.对比5个主流模型的准确率、召回率和F1值,结果显示Bert_TextCNN模型的F1值可达96.5%,比对照组中最高的F1值高2.4%,说明在意图识别任务中Bert_TextCNN模型的意图识别能力优于其他模型.

基于知识增强和提示学习的小样本新闻主题分类方法

基于预训练微调的分类方法通常需要大量带标注的数据,导致无法应用于小样本分类任务。因此,针对中文小样本新闻主题分类任务,提出一种基于知识增强和提示学习的分类方法KPL(Knowledge enhancement and Prompt Learning)。首先,利用预训练模型在训练集上学习最优的提示模板;其次,将提示模板与输入文本结合,使分类任务转化为完形填空任务;同时利用外部知识扩充标签词空间,丰富标签词的语义信息;最后,对预测的标签词与原始的标签进行映射。通过在THUCNews、SHNews和Toutiao这3个新闻数据集上进行随机采样,形成小样本训练集和验证集进行实验。实验结果表明,所提方法在上述数据集上的1-shot、5-shot、10-shot和20-shot任务上整体表现有所提升,尤其在1-shot任务上提升效果突出,与基线小样本分类方法相比,准确率分别提高了7.59、2.11和3.10个百分点以上,验证了KPL在小样本新闻主题分类任务上的有效性。

融合多策略改进的克隆选择算法

针对克隆选择算法(CSA)解决复杂优化问题时存在的效率低下、收敛速度慢以及容易陷入局部最优等不足,提出了一种融合多策略改进的克隆选择算法(MSICSA)。首先,引入Sobol序列初始化种群,丰富种群多样性,并提高算法整体稳定性;其次,引入正余弦优化策略加强算法全局搜索能力,避免陷入局部最优而导致算法停滞;最后,引入动态浓度调节策略,调节算法在不同时期搜索空间内的抗体浓度,控制算法加强前期全局搜索以及后期局部寻优能力,并提高算法收敛速度。文中利用12种CEC测试函数及4种算法对MSICSA进行测试及对比,消融实验证明了改进策略的有效性,扰动实验验证了文中算法的稳定性与鲁棒性,对比仿真以及几项实验均表明MSICSA能够有效提升收敛速度和寻优精度,并提高跳出局部最优的能力。

具有极大非线性复杂度的有限长二元序列的k-错非线性复杂度

k-错非线性复杂度是用来度量序列非线性复杂度稳定性的一个重要指标.对具有极大非线性复杂度的有限长二元序列,完全确定了k-错非线性复杂度为0的序列数目,给出了k-错非线性复杂度为1的序列数目下界.此外,得到了k-错非线性复杂度不超过某个给定值的序列数目下界.