检索结果-内蒙古大学图书馆

计算机研究与发展 2021年第12期58卷 2673-2683页

作者：孙亚伟程龚厉肖瞿裕忠计算机软件新技术国家重点实验室(南京大学) 南京210023

知识图谱问答是人工智能领域的研究热点之一.在该任务中,自然语言问句结构与知识图谱结构之间的语义匹配是一个具有挑战的研究问题.现有工作主要利用深度学习技术对自然语言问句进行序列化编码,然后与知识图谱子图计算语义匹配,这样做... 详细信息

知识图谱问答是人工智能领域的研究热点之一.在该任务中,自然语言问句结构与知识图谱结构之间的语义匹配是一个具有挑战的研究问题.现有工作主要利用深度学习技术对自然语言问句进行序列化编码,然后与知识图谱子图计算语义匹配,这样做法未充分利用复杂问句的结构信息,方法也缺乏可解释性.针对此问题,提出一种基于图匹配网络的知识图谱复杂问答方法TTQA.首先,通过语法分析方法,构建一个与知识图谱无关的未定查询图.然后,依据未定查询图和给定的知识图谱,构建一个与知识图谱相关的已定查询图,在其中,提出一种图匹配网络GMN,通过结合预训练语言模型和图神经网络技术,再利用注意力机制学习查询结构的上下文表示,从而得到更加丰富的结构匹配表示,用于已定查询图预测.在2个复杂问答数据集LC-QuAD 1.0和ComplexWebQuestions 1.1进行实验,结果表明:TTQA超过了现有方法.同时,通过消融实验验证了GMN的有效性.此外,TTQA生成的未定结构图和已定查询图增强了问答系统可解释性.

关键词：知识图谱问答复杂问句查询图图匹配网络注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于频繁项集挖掘的贝叶斯分类算法

引用

计算机研究与发展 2007年第8期44卷 1293-1300页

作者：眭俊明姜远周志华南京大学计算机软件新技术国家重点实验室南京210093

朴素贝叶斯分类器是一种简单而且高效的分类学习算法,但是它所要求的属性独立性假设在真实世界应用中经常难以满足.为了放松属性独立性约束以提高朴素贝叶斯分类器的泛化能力,研究人员进行了大量的工作.提出了一种基于频繁项集挖掘技术... 详细信息

朴素贝叶斯分类器是一种简单而且高效的分类学习算法,但是它所要求的属性独立性假设在真实世界应用中经常难以满足.为了放松属性独立性约束以提高朴素贝叶斯分类器的泛化能力,研究人员进行了大量的工作.提出了一种基于频繁项集挖掘技术的贝叶斯分类学习算法FISC(frequent item sets classifier).在训练阶段,FISC找到所有频繁项集并计算可能用到的概率估值.在测试阶段,FISC对于测试样本包含的每个项集构造一个分类器,通过集成这些分类器来给出预测结果.实验结果验证了FISC的有效性.

关键词：机器学习贝叶斯分类半朴素贝叶斯分类频繁项集挖掘集成学习

来源：评论

学校读者我要写书评

暂无评论

基于直线连续性的页面倾斜检测与校正

引用

计算机辅助设计与图形学学报 2001年第8期13卷 736-741页

作者：王姝华李佐蔡士杰南京大学计算机软件新技术国家重点实验室南京210093

在文档扫描过程中 ,输入的文档图像不可避免地会发生倾斜现象 ,而布局分析及字符识别算法对页面倾斜都十分敏感 ,因此倾斜检测和校正是文档分析预处理的重要环节 .文中提出了一个基于直线连续性的倾斜检测方法 .它将字符连通区包围盒底... 详细信息

在文档扫描过程中 ,输入的文档图像不可避免地会发生倾斜现象 ,而布局分析及字符识别算法对页面倾斜都十分敏感 ,因此倾斜检测和校正是文档分析预处理的重要环节 .文中提出了一个基于直线连续性的倾斜检测方法 .它将字符连通区包围盒底边中心点作为特征点 ,利用文本行中特征点与基线的关系 ,计算出基线的方向 ,即为页面倾斜方向 .接着 ,介绍了一种基于偏移值的倾斜校正方法 .实验证明 ,该算法速度快 ,准确度高 .

关键词：文档处理直线连续性页面倾斜检测校正计算机自动处理字符识别

来源：评论

学校读者我要写书评

暂无评论

构造性混合决策树

引用

计算机学报 2001年第10期24卷 1057-1063页

作者：周志华葛翔陈兆乾南京大学计算机软件新技术国家重点实验室南京210093

提出了一种构造性混合决策树学习方法 CHDT.该方法用符号学习来进行定性分析 ,用神经学习进行后续的定量分析 ,在一定程度上模拟了人类的思维过程 .CHDT采用了一种独特的构造性归纳机制 ,较好地解决了在缺乏领域知识指导的情况下进行构... 详细信息

提出了一种构造性混合决策树学习方法 CHDT.该方法用符号学习来进行定性分析 ,用神经学习进行后续的定量分析 ,在一定程度上模拟了人类的思维过程 .CHDT采用了一种独特的构造性归纳机制 ,较好地解决了在缺乏领域知识指导的情况下进行构造性学习的问题 .它通过采用 FTART2网络和适宜于混合决策树的神经网络嵌入机制 ,获得了较强的泛化能力 .实验结果表明 ,CHDT能构造出结构简洁。

关键词：机器学习神经网络决策树构造性归纳混合学习

来源：评论

学校读者我要写书评

暂无评论

P2P流媒体关键技术的研究进展

引用

计算机研究与发展 2005年第12期42卷 2033-2040页

作者：龚海刚刘明毛莺池陆桑璐谢立南京大学计算机软件新技术国家重点实验室南京210093

传统的流媒体系统建立在客户-服务器模式的基础上,系统伸缩性差,服务器常常成为系统的瓶颈·而最近兴起的P2P(peer-to-peer)技术在充分利用客户资源、提高系统伸缩性等方面具有巨大的潜力,基于P2P方式的流媒体的研究也逐步引起了人... 详细信息

传统的流媒体系统建立在客户-服务器模式的基础上,系统伸缩性差,服务器常常成为系统的瓶颈·而最近兴起的P2P(peer-to-peer)技术在充分利用客户资源、提高系统伸缩性等方面具有巨大的潜力,基于P2P方式的流媒体的研究也逐步引起了人们的注意·讨论了当前P2P流媒体关键技术的研究进展,介绍了P2P流媒体的研究现状,最后指出了P2P流媒体的未来研究方向·

关键词： P2P 流媒体伸缩性

来源：评论

学校读者我要写书评

暂无评论

覆盖表生成的遗传算法配置参数优化

引用

计算机学报 2012年第7期35卷 1522-1538页

作者：梁亚澜聂长海南京大学计算机软件新技术国家重点实验室南京210093

覆盖表生成是组合测试的关键问题,很多数学方法、贪心算法以及演化搜索方法等被应用于生成各种覆盖表.针对演化搜索方法的性能受到方法本身配置参数影响很大这一实际问题,文中以二维覆盖表生成为实例,系统地对典型的演化搜索方法——遗... 详细信息

覆盖表生成是组合测试的关键问题,很多数学方法、贪心算法以及演化搜索方法等被应用于生成各种覆盖表.针对演化搜索方法的性能受到方法本身配置参数影响很大这一实际问题,文中以二维覆盖表生成为实例,系统地对典型的演化搜索方法——遗传算法的种群规模、进化代数、交叉概率、变异概率以及遗传算法的变种算法等因素进行探索,设计了pair-wise法、Base choice法和爬山法3条实验路线探索遗传算法的这些配置参数及其相互作用对算法生成二维覆盖表效果的影响,并回答两个问题:对于特定二维覆盖表生成问题,是否存在遗传算法的最优参数配置;对于一般的二维覆盖表生成问题,是否存在通用的遗传算法最优参数配置.

关键词：二维覆盖表遗传算法配置参数优化组合测试测试用例生成

来源：评论

学校读者我要写书评

暂无评论

Hadoop MapReduce短作业执行性能优化

引用

计算机研究与发展 2014年第6期51卷 1270-1280页

作者：顾荣严金双杨晓亮袁春风黄宜华计算机软件新技术国家重点实验室(南京大学) 南京210046

Hadoop MapReduce并行计算框架被广泛应用于大规模数据并行处理.近年来,由于其能较好地处理大规模数据,Hadoop MapReduce也被越来越多地使用在查询应用中.为了能够处理大规模数据集,Hadoop的基本设计更多地强调了数据的高吞吐率.然而在... 详细信息

Hadoop MapReduce并行计算框架被广泛应用于大规模数据并行处理.近年来,由于其能较好地处理大规模数据,Hadoop MapReduce也被越来越多地使用在查询应用中.为了能够处理大规模数据集,Hadoop的基本设计更多地强调了数据的高吞吐率.然而在处理对短作业响应性能有较高要求的查询应用时,Hadoop MapReduce并行计算框架存在明显不足.为了提升Hadoop对于短作业的执行效率,对原有的Hadoop MapReduce作出以下3点优化:1)通过优化原有的setup和cleanup任务的执行方式,成功地缩短了作业初始化环境准备和作业结束环境清理的时间;2)将首次任务分配从"拉"模式转变为"推"模式;3)将作业执行过程中JobTracker和TaskTrackers之间的控制消息通信从现有的周期性心跳机制中分离出来,采用即时传递机制.最后,采用一种典型的基于MapReduce并行化的查询应用BLAST,对优化工作进行了评估.各种不同类型BLAST作业的测试实验表明,与现有的标准Hadoop相比,优化后的Hadoop平均执行性能提升约23%.

关键词： MapReduce 并行计算短作业性能优化大数据处理

来源：评论

学校读者我要写书评

暂无评论

YARM:基于MapReduce的高效可扩展的语义推理引擎

引用

计算机学报 2015年第1期38卷 74-85页

作者：顾荣王芳芳袁春风黄宜华南京大学计算机软件新技术国家重点实验室南京210046

随着语义网的快速发展,RDF语义数据大量涌现.大规模RDF语义数据推理的一个主要问题是计算量大、完成计算需要消耗很长的时间.显然,传统的单机语义推理引擎难以处理大规模的语义数据.另一方面,现有的基于MapReduce的大规模语义推理引擎,... 详细信息

随着语义网的快速发展,RDF语义数据大量涌现.大规模RDF语义数据推理的一个主要问题是计算量大、完成计算需要消耗很长的时间.显然,传统的单机语义推理引擎难以处理大规模的语义数据.另一方面,现有的基于MapReduce的大规模语义推理引擎,缺乏对算法在分布和并行计算环境下执行效率的优化,使得推理时间仍然较长.此外,现有的推理引擎大多存在可扩展性方面的不足,难以适应大规模语义数据的增长需求.针对现有的语义推理系统在执行效率和可扩展性方面的不足,文中提出了一种基于MapReduce的并行化语义推理算法和引擎YARM.为了实现分布和并行计算环境下的高效推理,YARM做出了以下4点优化:(1)采用合理的数据划分模型和并行化算法,降低计算节点间的通信开销;(2)优化推理规则的执行次序,提升了推理计算速度;(3)设计了简洁的去重策略,避免新增作业处理重复数据;(4)设计实现了一种新的基于MapReduce的并行化推理算法.实验结果表明,在真实数据集和大规模合成数据集上,YARM的执行速度比当前最新的基于MapReduce的推理引擎快10倍左右,同时YARM还表现出更好的数据和系统可扩展性.

关键词： RDF RDFS推理 MapReduce 语义推理分布式推理

来源：评论

学校读者我要写书评

暂无评论

建筑工程图识别与理解——模型与算法

引用

计算机研究与发展 2005年第1期42卷 144-152页

作者：路通席晓鹏芮明蔡士杰窦万春南京大学计算机软件新技术国家重点实验室南京210093

建筑工程图采用二维示意式表达方式,识别和三维精确还原相对困难.提出了一种基于轴网、结构语义驱动的层次式自生长识别模型(SINEHIR模型),在融合结构语义的基础上从先导建筑构件开始,在削减后的识别空间中结合当前识别层次的特点,分别... 详细信息

建筑工程图采用二维示意式表达方式,识别和三维精确还原相对困难.提出了一种基于轴网、结构语义驱动的层次式自生长识别模型(SINEHIR模型),在融合结构语义的基础上从先导建筑构件开始,在削减后的识别空间中结合当前识别层次的特点,分别采用基于特征的建筑符号识别方法、基于符号的轴网识别方法、基于轮廓的结点构件识别方法、基于关联语义的段构件识别方法、基于几何的组合构件识别方法和基于继承的信息传递方法,在模型约束下完成后继识别,以较小的计算量有效排除绘图噪音、提高识别率.

关键词：建筑工程图识别理解 SINEHIR模型

来源：评论

学校读者我要写书评

暂无评论

一种基于半监督学习的多模态Web查询精化方法

引用

计算机学报 2009年第10期32卷 2099-2106页

作者：姜远黎铭周志华南京大学计算机软件新技术国家重点实验室南京210093

Web搜索系统往往通过与用户的交互来精化查询以提高搜索性能.除文字之外,网页中还存在着大量其它模态的信息,如图像、音频和视频等.以往对于查询精化的研究很少涉及对多模态信息的利用.文中提出了一种基于半监督学习的多模态Web查询精... 详细信息

Web搜索系统往往通过与用户的交互来精化查询以提高搜索性能.除文字之外,网页中还存在着大量其它模态的信息,如图像、音频和视频等.以往对于查询精化的研究很少涉及对多模态信息的利用.文中提出了一种基于半监督学习的多模态Web查询精化方法M2S2QR,将Web查询精化转化为一个机器学习问题加以解决.首先,基于用户判断后的网页信息,分别为不同模态训练相应的学习器,然后利用未经用户判断的网页信息来提高学习器性能,最后将不同模态学习器结合起来使用.实验验证了文中方法的有效性.

关键词：机器学习半监督学习多模态信息 Web搜索查询精化

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：