检索结果-内蒙古大学图书馆

食品科学 2025年第6期46卷 29-37页

作者：金颖闵巍庆周鹏飞梅舒欢蒋树强中国科学院智能信息处理重点实验室北京 100190 中国科学院计算技术研究所北京 100190 中国科学院大学北京 100049 中科苏州智能计算技术研究院江苏苏州 215009

本实验提出一种融合营养知识和偏好-健康多目标优化的膳食推荐方法.该方法通过食品营养知识嵌入引导学习用户的偏好,并利用多目标优化算法平衡用户饮食偏好与营养健康需求.首先,基于营养引导的食品知识感知网络(nutrition-guided food k... 详细信息

本实验提出一种融合营养知识和偏好-健康多目标优化的膳食推荐方法.该方法通过食品营养知识嵌入引导学习用户的偏好,并利用多目标优化算法平衡用户饮食偏好与营养健康需求.首先,基于营养引导的食品知识感知网络(nutrition-guided food knowledge-aware network,NG-FKN)进行个性化菜谱推荐,再进行营养套餐推荐(nutritional food combination recommendation,NFCR).NG-FKN从食品营养知识图谱中提取营养信息,引导捕捉用户偏好,实现个性化菜谱推荐.NFCR结合用户饮食偏好与营养需求,采用基于营养支配的非劣排序遗传算法优化多个目标,获得营养套餐推荐列表.此外,构建食品营养知识图谱与食品-用户的交互数据集,包含19 669 条菜谱数据,并在该数据集上对所提方法进行评估.同时还引入中国健康膳食指数和食物多样性评分两个指标用于评估推荐套餐的营养价值.在所提数据集上的实验结果表明,本研究方法优于目前主流的方法,可以提升膳食营养推荐的性能.

关键词：膳食推荐营养套餐知识图谱多目标优化遗传算法

来源：评论

学校读者我要写书评

暂无评论

因果机器学习的前沿进展综述

引用

计算机研究与发展 2023年第1期60卷 59-84页

作者：李家宁熊睿彬兰艳艳庞亮郭嘉丰程学旗中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学北京100049 清华大学智能产业研究院北京100086 中国科学院计算技术研究所数据智能系统研究中心北京100190

机器学习是实现人工智能的重要技术手段之一,在计算机视觉、自然语言处理、搜索引擎与推荐系统等领域有着重要应用.现有的机器学习方法往往注重数据中的相关关系而忽视其中的因果关系,而随着应用需求的提高,其弊端也逐渐开始显现,在可... 详细信息

机器学习是实现人工智能的重要技术手段之一,在计算机视觉、自然语言处理、搜索引擎与推荐系统等领域有着重要应用.现有的机器学习方法往往注重数据中的相关关系而忽视其中的因果关系,而随着应用需求的提高,其弊端也逐渐开始显现,在可解释性、可迁移性、鲁棒性和公平性等方面面临一系列亟待解决的问题.为了解决这些问题,研究者们开始重新审视因果关系建模的必要性,相关方法也成为近期的研究热点之一.在此对近年来在机器学习领域中应用因果技术和思想解决实际问题的工作进行整理和总结,梳理出这一新兴研究方向的发展脉络.首先对与机器学习紧密相关的因果理论做简要介绍;然后以机器学习中的不同问题需求为划分依据对各工作进行分类介绍,从求解思路和技术手段的视角阐释其区别与联系;最后对因果机器学习的现状进行总结,并对未来发展趋势做出预测和展望.

关键词：因果关系伪相关关系因果推断机器学习深度学习人工智能

来源：评论

学校读者我要写书评

暂无评论

时态知识图谱的推理研究综述

引用

计算机学报 2023年第6期46卷 1272-1301页

作者：沈英汉江旭晖王元卓李紫宣李子健谭鹤翔沈华伟中国科学院计算技术研究所数据智能系统研究中心北京100190 中国科学院大学北京100049 中科大数据研究院郑州450018 中国科学院计算技术研究所网络数据科学与技术重点实验室北京100190

随着社交网络、物端感知等技术快速发展,网络空间中涌现了大量的交互、话题、事件、新闻等数据,蕴含大量动态演化、强时效性的知识.较于忽略知识中时间信息的传统知识图谱,时态知识图谱通过建模知识的时效性以描述动态变化的现实世界,... 详细信息

随着社交网络、物端感知等技术快速发展,网络空间中涌现了大量的交互、话题、事件、新闻等数据,蕴含大量动态演化、强时效性的知识.较于忽略知识中时间信息的传统知识图谱,时态知识图谱通过建模知识的时效性以描述动态变化的现实世界,为时间紧耦合的应用提供有效支持.然而,时态知识图谱无法确保涵盖全量知识,知识的缺失严重影响应用性能,需要推理模型自动挖掘新的知识,以解释事物的历史状态,预测未来发展趋势并描述演化规律.由于实际应用的迫切需要,近年来,时态知识图谱的推理研究工作层出不穷,逐渐引起学术界和工业界的广泛关注.本文对近年来时态知识图谱的推理工作进行全面介绍和总结.首先,介绍了时态知识图谱的推理相关概念与问题描述;其次,介绍了面向补全任务的推理模型与面向预测任务的推理模型,对其进行比较分析;之后总结了时态知识图谱推理的数据集、推理任务、相关指标以及应用场景;最后展望时态知识图谱推理的未来研究趋势.综上,本文致力于为时态知识图谱的推理领域研究人员提供具有价值的参考,以推动该领域进一步发展.

关键词：时态知识图谱时态知识推理知识补全知识预测知识图谱

来源：评论

学校读者我要写书评

暂无评论

社交知识图谱研究综述

引用

计算机学报 2023年第2期46卷 304-330页

作者：江旭晖沈英汉李子健王元卓尹芷仪沈华伟中国科学院计算技术研究所数据智能系统研究中心北京100190 中国科学院大学北京100049 中科大数据研究院郑州450046

作为通用的知识结构化表示形式,知识图谱被成功应用于医疗、金融、安全等领域.社交知识图谱是一种以人为中心的知识图谱,其融合了动态演化的社交知识.作为知识图谱概念的延伸,社交知识图谱涵盖人、物、事、地等异质信息及其复杂关联;由... 详细信息

作为通用的知识结构化表示形式,知识图谱被成功应用于医疗、金融、安全等领域.社交知识图谱是一种以人为中心的知识图谱,其融合了动态演化的社交知识.作为知识图谱概念的延伸,社交知识图谱涵盖人、物、事、地等异质信息及其复杂关联;由于其融入了来自社交网络的强时效性知识,能够准确地描述人员的即时状态及其演化趋势,被广泛应用于推荐系统、社交分析等以人为中心的应用中.当前,社交知识图谱的相关工作不断涌现,但缺乏统一的形式化定义以及系统性的分析.基于此,本文首先梳理了社交知识图谱的相关概念,并给出了社交知识图谱的形式化定义.然后从社交知识图谱的定义出发,对其动态性、异质性、情感性、互演化性等性质进行分析.接下来围绕社交知识图谱的生命周期,梳理了社交知识图谱的构建、融合、表示和推理的相关代表性工作.最后介绍了社交知识图谱的相关应用,并展望了社交知识图谱的未来发展蓝图.

关键词：社交知识图谱社交网络知识图谱知识推理图表示学习知识抽取网络融合

来源：评论

学校读者我要写书评

暂无评论

基于集合效用边际贡献学习的可解释薪酬预测算法

引用

计算机研究与发展 2024年第5期61卷 1276-1289页

作者：孙莹章玉婷庄福振祝恒书何清熊辉香港科技大学(广州)人工智能学域广州511458 中国科学院计算技术研究所专项技术研究中心北京100190 北京航空航天大学人工智能研究院北京100191 BOSS直聘职业科学实验室北京100028 中国科学院智能信息处理重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学北京101408

知识技能对薪酬影响作用视为一种多变量影响下高维元素集合的效用建模问题.深度神经网络为解决复杂问题提供了新的机遇,但针对知识导向的细粒度薪酬预测问题,仍缺乏能够对复杂变量影响下的集合效用进行准确、可解释建模的神经网络结构.... 详细信息

知识技能对薪酬影响作用视为一种多变量影响下高维元素集合的效用建模问题.深度神经网络为解决复杂问题提供了新的机遇,但针对知识导向的细粒度薪酬预测问题,仍缺乏能够对复杂变量影响下的集合效用进行准确、可解释建模的神经网络结构.为此,提出一种基于边际贡献的增量式集合效用网络(marginal contribution-based incremental set utility network,MCISUN)来拟合元素加入时的效用增量,从而灵活且可解释地建模集合效用.区别于以往基于池化层的排列不变性建模算法,MCISUN构建顺序敏感的中间结果,利用集合的排列不变性实现数据增强,有效提升模型数据效率及泛化性.最后,大规模真实薪酬数据上的实验结果表明所提模型在基于技能的薪酬预测任务上比最先进的(state-of-the-art,SOTA)模型效果提升超过30%.同时,定性实验证明模型能够为技能设置合理的贡献值且发现技能间的关联.

关键词：集合效用建模边际贡献薪酬预测神经网络可解释性

来源：评论

学校读者我要写书评

暂无评论

Cloudless-Training:基于serverless的高效跨地域分布式ML训练框架

引用

高技术通讯 2024年第3期34卷 219-232页

作者：谭文婷吕存驰史骁赵晓芳中国科学院计算技术研究所北京100190 中国科学院大学北京100049 中科南京信息高铁研究院南京211135 中科苏州智能计算技术研究院苏州215028

跨地域分布式机器学习(ML)训练能够联合多区域的云资源协作训练,可满足许多新兴ML场景(比如大型模型训练、联邦学习)的训练需求。但其训练效率仍受2方面挑战的制约。首先,多区域云资源缺乏有效的弹性调度,这会影响训练的资源利用率和性... 详细信息

跨地域分布式机器学习(ML)训练能够联合多区域的云资源协作训练,可满足许多新兴ML场景(比如大型模型训练、联邦学习)的训练需求。但其训练效率仍受2方面挑战的制约。首先,多区域云资源缺乏有效的弹性调度,这会影响训练的资源利用率和性能;其次,模型跨地域同步需要在广域网(WAN)上高频通信,受WAN的低带宽和高波动的影响,会产生巨大通信开销。本文提出Cloudless-Training,从3个方面实现高效的跨地域分布式ML训练。首先,它基于serverless计算模式实现,使用控制层和训练执行层的2层架构,支持多云区域的弹性调度和通信。其次,它提供一种弹性调度策略,根据可用云资源的异构性和训练数据集的分布自适应地部署训练工作流。最后,它提供了2种高效的跨云同步策略,包括基于梯度累积的异步随机梯度下降(ASGD-GA)和跨云参数服务器(PS)间的模型平均(MA)。Cloudless-Training是基于OpenFaaS实现的,并被部署在腾讯云上评估,实验结果表明Cloudless-Training可显著地提高跨地域分布式ML训练的资源利用率(训练成本降低了9.2%~24.0%)和同步效率(训练速度最多比基线快1.7倍),并能保证模型的收敛精度。

关键词：跨地域分布式机器学习(ML)训练跨云ML训练分布式训练框架 serverless 跨云模型同步

来源：评论

学校读者我要写书评

暂无评论

故事启发大语言模型的时序知识图谱预测

引用

模式识别与人工智能 2024年第8期37卷 715-728页

作者：陈娟赵新潮隋京言祁麟田辰庞亮方金云中国科学院计算技术研究所前瞻研究实验室北京100190 中国科学院大学计算机科学与技术学院北京100049 中科大数据研究院兰亭中心郑州450046 北京交通大学软件学院北京100044

时序知识图谱海量稀疏,实体的长尾分布导致对分布外实体的推理泛化性较差,历史交互低频导致对未来事件的预测偏差较大.为此,文中提出故事启发大语言模型的时序知识图谱预测方法,利用大语言模型的世界知识储备和复杂语义推理能力,增强对... 详细信息

时序知识图谱海量稀疏,实体的长尾分布导致对分布外实体的推理泛化性较差,历史交互低频导致对未来事件的预测偏差较大.为此,文中提出故事启发大语言模型的时序知识图谱预测方法,利用大语言模型的世界知识储备和复杂语义推理能力,增强对分布外实体的理解和交互稀疏事件的关联.首先,根据时序知识图谱中时间和结构的特性筛选“关键事件树”,通过历史事件筛选策略提炼最具代表性的事件,并摘要当前查询相关的历史信息,减少数据输入量并保留最重要的信息.然后,微调大语言模型生成器,生成时序语义关联且符合逻辑的“关键事件树”叙事故事,作为非结构化输入.在生成过程中,特别关注事件之间的因果关系和时间顺序,确保生成的故事具有连贯性和合理性.最后,利用大语言模型推理器推理缺失的时序实体.在3个公开数据集上的实验表明,文中方法可充分发挥大模型的能力,完成精准的时序实体推理.

关键词：时序知识图谱(TKG) 大语言模型关键事件树时序故事事件推理

来源：评论

学校读者我要写书评

暂无评论

基于相关修正的无偏排序学习方法

引用

计算机研究与发展 2022年第12期59卷 2867-2877页

作者：王奕婷兰艳艳庞亮郭嘉丰程学旗中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学北京100049 清华大学智能产业研究院北京100084 中国科学院计算技术研究所数据智能系统研究中心北京100190

用户点击数据较文档的相关标签更易被获取且能反映用户兴趣,将其作为标签能够有效降低人工标注成本并且模型能随数据实时更新.但用户点击含有偏差和噪声,因此需设计有效的无偏排序方法.针对无偏排序中对偶学习方法收敛得到次优解从而无... 详细信息

用户点击数据较文档的相关标签更易被获取且能反映用户兴趣,将其作为标签能够有效降低人工标注成本并且模型能随数据实时更新.但用户点击含有偏差和噪声,因此需设计有效的无偏排序方法.针对无偏排序中对偶学习方法收敛得到次优解从而无法完全消除偏差的问题,提出一种基于相关修正的无偏排序学习方法.首先,利用现有小规模相关标注数据训练排序模型,对候选文档进行较精准的相关得分预测;再基于用户点击和文档相关得分训练点击倾向模型;最后,将得到的模型参数设为对偶去偏初始值并联合训练.该方法不影响模型上线的计算速度,可用于在线学习场景,模拟不同程度偏差噪声并在真实点击场景下进行测试,结果表明该方案能够有效提升现有无偏排序学习方法表现.

关键词：无偏排序学习点击数据相关修正偏差去除逆倾向加权

来源：评论

学校读者我要写书评

暂无评论

基于增强特征表示的语义分割神经网络

引用

计算机仿真 2023年第11期40卷 122-125页

作者：程坦许开强安竹林中科(厦门)数据智能研究院福建厦门361021 中国科学院计算技术研究所北京100190

语义分割是计算机视觉领域中一个基础而重要的话题,针对语义分割中边界分割困难的问题,提出了一种利用类别整体特征以增强模型表征能力的语义分割神经网络结构。通过分析同类别内各像素特征应具有相似性、不同类别内的特征应具有可分性... 详细信息

语义分割是计算机视觉领域中一个基础而重要的话题,针对语义分割中边界分割困难的问题,提出了一种利用类别整体特征以增强模型表征能力的语义分割神经网络结构。通过分析同类别内各像素特征应具有相似性、不同类别内的特征应具有可分性的特点,利用区域提议汇聚各类别区域内的特征,并使用关注特征的方法建立像素点与类别之间的联系,从而增强模型表征能力。通过在公开数据集上的实验分析比较,上述结构能有效提升像素点特征表示能力。

关键词：语义分割深度神经网络特征增强表示多尺度上下文编码特征表示

来源：评论

学校读者我要写书评

暂无评论

基于样本动态权重的课程式半监督学习方法

引用

高技术通讯 2024年第4期34卷 342-355页

作者：朱徽胡斌宋怡宁赵晓芳中国科学院计算技术研究所北京100190 中国科学院大学北京100049 中央军委国防动员部信息中心北京100034 中科苏州智能计算技术研究院苏州215028

本文针对半监督场景中极度匮乏的监督信号导致的标签传播困难、模型训练严重受噪声干扰等问题展开研究。伪标签化带来的噪声和低数据利用率导致的确认偏差,会随着自训练过程造成错误累积,进而形成不可逆偏差,损害性能。本文提出基于样... 详细信息

本文针对半监督场景中极度匮乏的监督信号导致的标签传播困难、模型训练严重受噪声干扰等问题展开研究。伪标签化带来的噪声和低数据利用率导致的确认偏差,会随着自训练过程造成错误累积,进而形成不可逆偏差,损害性能。本文提出基于样本动态权重的课程式半监督学习方法,旨在通过非离散的课程设计,鼓励模型由简单至困难地利用样本,逐步构建分类面,进而缓解伪标签化过程中的噪声产生,增强模型泛化能力。从类内角度,提供弱监督信号的高置信度伪标签被混合用于构建特征原型,估计样本的学习难度。从类间角度,标签嵌入被用于评估类间语义相关度,课程式地减弱训练前期对语义相关类别间的辨别。在通用的半监督学习基准数据集上进行了广泛的实验和分析,证明了方法的有效性。

关键词：半监督学习特征表示向量课程学习特征原型语义相关度

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：