感知质量优化和用户招募是移动群智感知的两个重要问题,随着数据量的大幅度增加,感知内容出现冗余,存在感知质量降低的风险.提出了一种感知质量优化的任务分发机制,在保证覆盖率的情况下,提高群体的感知质量.利用聚类算法评估任务真值,量化用户数据质量;基于汤普森抽样算法和贪婪算法设计并实现了一种用户招募策略,在保证任务空间覆盖率的基础上优化感知质量.针对TSUR(Thompson based user recruit)算法的性能进行仿真分析,并与已有的BBTA(bandit-based task assignment)算法和BUR(basic user recruitment)算法作比较.实验表明,在同一区域进行任务感知,与BBTA算法和BUR算法相比,累计感知质量分别提高了16％和20％,空间覆盖率分别提高了30％和22％.
基于知识图谱的问答系统(knowledge base question answering,KBQA)目前已成为自然语言处理中的热门研究领域。问答系统的应用涉及诸多领域,如医药、电力、交通等各个方面。由此可见,问答系统已成为社会生产发展中必不可少的一项技术。...
详细信息
基于知识图谱的问答系统(knowledge base question answering,KBQA)目前已成为自然语言处理中的热门研究领域。问答系统的应用涉及诸多领域,如医药、电力、交通等各个方面。由此可见,问答系统已成为社会生产发展中必不可少的一项技术。该文聚焦于国内外针对知识图谱的问答系统的研究与应用,对其进行分析梳理,总结了知识图谱、知识库以及问答系统的历史、发展及应用等相关知识,以及现有基于知识图谱的问答系统构建的三类方法,分别为基于模板匹配的方法、基于语义解析的方法以及基于向量建模的方法,探究了深度学习对传统问答系统效果的影响。最后,对基于知识图谱的问答系统技术的未来以及发展进行展望。研究表明:随着人工智能的蓬勃发展,问答系统存在的技术难题不断得到解决,将知识图谱和深度学习技术应用于传统问答系统以提升问答效果已成为大势所趋。
暂无评论