检索结果-内蒙古大学图书馆

面向应用场景的数据结构线上实践教学案例

引用

计算机教育 2021年第2期 41-43,48页

作者：朱允刚杨博虞强源刘大有吉林大学计算机科学与技术学院吉林长春130012 吉林大学软件学院吉林长春130012 吉林大学符号计算与知识工程教育部重点实验室吉林长春130012

针对疫情下的数据结构线上实践教学需要,为进一步激发学生编程兴趣和参与热情,例举3个与实际应用紧密结合的、基于在线评测的数据结构线上实践教学案例并进行相关分析,最后说明取得的教学效果。

关键词：数据结构实践教学线上教学

来源：评论

学校读者我要写书评

暂无评论

微博营销中融合行为分析的重要用户发现方法

引用

小型微型计算机系统 2019年第8期40卷 1646-1651页

作者：冯勇马宇光刘建辽宁大学信息学院沈阳110036 吉林大学符号计算与知识工程教育部重点实验室长春130012

微博作为社交网络的典型代表聚集了大量用户和信息资源,发掘其中的重要用户对开展精准营销具有巨大的商业价值.本文提出一种微博营销中融合行为分析的重要用户发现方法.该方法首先计算微博营销核心影响因素权重,包括:用户活跃度、用户... 详细信息

微博作为社交网络的典型代表聚集了大量用户和信息资源,发掘其中的重要用户对开展精准营销具有巨大的商业价值.本文提出一种微博营销中融合行为分析的重要用户发现方法.该方法首先计算微博营销核心影响因素权重,包括:用户活跃度、用户忠诚度以及用户影响力;然后,将其融入到PageRank计算模型,对用户的概率转移矩阵进行更新,并利用更新后的概率转移矩阵计算得到最终用户分阶.经对比实验分析,相较于现有主流算法,本文所提方法因为对用户行为特征的分析更为全面,所以能够更加准确地发现微博营销中的重要用户.

关键词：社交网络微博营销 PageRank 用户行为

来源：评论

学校读者我要写书评

暂无评论

一种新的结合奖励机制的ETLBO算法

引用

吉林大学学报（理学版） 2019年第6期57卷 1416-1424页

作者：吴云鹏崔佳旭张永刚吉林大学计算机科学与技术学院符号计算与知识工程教育部重点实验室

通过对原ETLBO(elitist teaching-learning-based optimization)算法引入一种新的奖励机制,提出一种新的结合奖励机制的ETLBO-reward算法,并基于该算法提出一种简单自适应的精英个数算法RETLBO-reward,该算法保留了传统算法参数少、易... 详细信息

通过对原ETLBO(elitist teaching-learning-based optimization)算法引入一种新的奖励机制,提出一种新的结合奖励机制的ETLBO-reward算法,并基于该算法提出一种简单自适应的精英个数算法RETLBO-reward,该算法保留了传统算法参数少、易实现、收敛快等优点,进一步提升了传统算法的收敛能力.对6个连续非线性优化问题的测试结果表明,这两种算法均具有良好的性能,求解效率较原ETLBO算法有明显提升.

关键词： TLBO算法奖励机制自适应连续非线性优化

来源：评论

学校读者我要写书评

暂无评论

一种残差置乱上下文信息的场景图生成方法

引用

计算机研究与发展 2019年第8期56卷 1721-1730页

作者：林欣田鑫季怡徐云龙刘纯平苏州大学计算机科学与技术学院江苏苏州215006 苏州大学应用技术学院江苏苏州215300 符号计算与知识工程教育部重点实验室(吉林大学) 长春130012

场景图在视觉理解中有着很重要的作用.现有的场景图生成方法对于主语、宾语以及主宾语间的视觉关系进行研究.但是,人类通过空间关系上下文、语义上下文和目标之间的互动信息来进行关系的理解和推理.为了获得更好的全局上下文表示,同时... 详细信息

场景图在视觉理解中有着很重要的作用.现有的场景图生成方法对于主语、宾语以及主宾语间的视觉关系进行研究.但是,人类通过空间关系上下文、语义上下文和目标之间的互动信息来进行关系的理解和推理.为了获得更好的全局上下文表示,同时减少数据集偏差的影响,提出了一个新的场景图生成框架RSSQ(residual shuffle sequence model).该框架由目标解码、残差置乱和位置嵌入3部分构成.残差置乱模块由随机置乱和残差连接的双向LSTM的基本结构叠加而成,利用迭代方式实现随机打乱双向LSTM的隐藏状态以减少数据集偏差影响,利用残差连接提取共享的全局上下文信息.在位置嵌入模块中,通过对目标的相对位置和面积比例的编码则可以增强目标对之间的空间关系.在数据集Visual Genome的3个不同层次子任务的实验中,证明了提出的RSSQ方法因全局上下文改善和空间关系增强,在Recall@50和Recall@100指标评价下,相对于现有方法能生成更好的场景图.

关键词：场景图视觉关系上下文残差双向LSTM 目标检测

来源：评论

学校读者我要写书评

暂无评论

基于关系触发词与单层GRU模型的关系抽取方法

引用

吉林大学学报（理学版） 2020年第1期58卷 95-103页

作者：王磊刘露牛亮胡封晔彭涛吉林大学计算机科学与技术学院长春130012 吉林大学符号计算与知识工程教育部重点实验室长春130012 吉林大学软件学院长春130012 吉林大学通信工程学院长春130012 吉林大学第一医院长春130021

基于关系触发词与单层门控循环单元模型进行关系抽取,以降低关系抽取模型结构的复杂度,并提高模型的训练效率.通过计算单词的依存距离与序列距离得到关系触发词,利用单层门控循环单元模型进行关系抽取,并在SemEval2010Task8数据集上进... 详细信息

基于关系触发词与单层门控循环单元模型进行关系抽取,以降低关系抽取模型结构的复杂度,并提高模型的训练效率.通过计算单词的依存距离与序列距离得到关系触发词,利用单层门控循环单元模型进行关系抽取,并在SemEval2010Task8数据集上进行实验.实验结果表明,该方法能有效提取出关系触发词,并具有较高的关系抽取准确率.

关键词：关系抽取关系触发词句法依存分析 Word2Vec模型门控循环单元

来源：评论

学校读者我要写书评

暂无评论

基于XGBoost的特征选择算法

引用

通信学报 2019年第10期40卷 101-108页

作者：李占山刘兆赓吉林大学计算机科学与技术学院吉林长春130012 吉林大学软件学院吉林长春130012 吉林大学符号计算与知识工程教育部重点实验室吉林长春130012

分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率,同时还要尽可能地减少冗余特征。因此,为了在分类问题中更好地进行特征选择,提出了一种新型的包裹式特征选择算法XGB... 详细信息

分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率,同时还要尽可能地减少冗余特征。因此,为了在分类问题中更好地进行特征选择,提出了一种新型的包裹式特征选择算法XGBSFS。该算法借鉴极端梯度提升(XGBoost)算法中构建树的思想过程,通过从3个重要性度量的角度来衡量特征的重要性,避免单一重要性度量的局限性;然后通过改进的序列浮动前向搜索策略(ISFFS)搜索特征子集,使最终得到的特征子集有较高的质量。在8个UCI数据集的对比实验中表明,所提算法具有很好的性能。

关键词：特征选择极端梯度提升序列浮动搜索策略

来源：评论

学校读者我要写书评

暂无评论

Tabular表达式中正规函数表操作的形式语义

引用

华南理工大学学报（自然科学版） 2019年第2期47卷 85-91页

作者：周文博刘磊张鹏吕帅吉林大学计算机科学与技术学院吉林长春130012 吉林大学符号计算与知识工程教育部重点实验室吉林长春130012 吉林大学软件学院吉林长春130012

正规函数表是一类典型的Tabular表达式,被广泛应用于软件说明文档.文中对Tabular表达式中正规函数表操作的语义进行研究.首先给出了正规函数表的形式文法,讨论了规整性、完全性和不可交叉性等性质,说明了其求值过程;然后根据操作的影响... 详细信息

正规函数表是一类典型的Tabular表达式,被广泛应用于软件说明文档.文中对Tabular表达式中正规函数表操作的语义进行研究.首先给出了正规函数表的形式文法,讨论了规整性、完全性和不可交叉性等性质,说明了其求值过程;然后根据操作的影响范围,以内部操作和外部操作为分类标准,分别对二元操作、替换操作、提取操作和扩展操作的语义进行刻画,讨论了各个操作的封闭性;最后通过电梯控制系统实例分析了相关操作的实际应用场景,说明了正规函数表操作的形式语义的合理性和可用性.实例结果表明,文中提出的正规函数表操作的语义描述与实际结果是一致的.

关键词：正规函数表 Tabular表达式操作语义软件文档规格说明

来源：评论

学校读者我要写书评

暂无评论

基于多重门限机制的异步深度强化学习

引用

计算机学报 2019年第3期42卷 636-653页

作者：徐进刘全章宗长梁斌周倩苏州大学计算机科学与技术学院江苏苏州215006 软件新技术与产业化协同创新中心南京210000 吉林大学符号计算与知识工程教育部重点实验室长春130012

近年来,深度强化学习已经成为人工智能领域一个新的研究热点.深度强化学习在如Atari 2600游戏等高维度大状态空间任务中取得了令人瞩目的成功,但仍存在训练时间太长等问题.虽然异步深度强化学习通过利用多线程技术大幅度减少了深度强化... 详细信息

近年来,深度强化学习已经成为人工智能领域一个新的研究热点.深度强化学习在如Atari 2600游戏等高维度大状态空间任务中取得了令人瞩目的成功,但仍存在训练时间太长等问题.虽然异步深度强化学习通过利用多线程技术大幅度减少了深度强化学习模型所需的训练时间,但是,基于循环神经网络的异步深度强化学习算法依然需要大量训练时间,原因在于具有记忆能力的循环神经网络无法利用并行化计算加速模型训练过程.为了加速异步深度强化学习模型的训练过程,并且使得网络模型具有记忆能力,该文提出了一种基于多重门限机制的异步优势行动者-评论家算法.该模型主要有三个特点:一是通过使用多重门限机制使前馈神经网络具有记忆能力,使Agent能够通过记忆不同时间步的状态信息做出更优的决策;二是通过利用并行计算进一步加速Agent的训练过程,减少模型所需的训练时间;三是通过采用一种新的跳跃连接方式实现数据向更深的网络层传递,增强模型识别状态特征的能力,从而提升深度强化学习算法的稳定性和学习效果.该文通过Atari 2600游戏平台上的部分战略型游戏以及稀疏奖赏环境型游戏来评估新模型的性能.实验结果表明,与传统的异步深度强化学习算法相比,新模型能够以较少的时间代价来获得更优的学习效果.

关键词：深度学习强化学习异步深度强化学习循环神经网络多重门限机制跳跃连接

来源：评论

学校读者我要写书评

暂无评论

美式多资产期权定价问题的有限差分法

引用

吉林大学学报（理学版） 2020年第5期58卷 1113-1118页

作者：张琪左平郝永乐杨程博李婷婷沈阳工业大学理学院沈阳110870 吉林大学符号计算与知识工程教育部重点实验室长春130012 空军航空大学基础部长春130022 周口师范学院数学与统计学院河南周口466001 吉林大学数学学院长春130012

提出一种求解美式多资产期权定价问题的有效算法.首先,利用惩罚法和完全匹配层技巧将多资产期权满足的线性互补模型转化为有界区域上的非线性抛物问题;然后采用半隐式有限差分法求解转化后的非线性问题,并给出该方法的误差结果及数值解... 详细信息

提出一种求解美式多资产期权定价问题的有效算法.首先,利用惩罚法和完全匹配层技巧将多资产期权满足的线性互补模型转化为有界区域上的非线性抛物问题;然后采用半隐式有限差分法求解转化后的非线性问题,并给出该方法的误差结果及数值解的非负性证明;最后利用数值实验验证所提算法的实用性和有效性.

关键词：美式多资产期权半隐式有限差分法完全匹配层

来源：评论

学校读者我要写书评

暂无评论

基于最小二乘的双权重学习法

引用

计算机科学 2020年第12期47卷 210-217页

作者：李斌刘全苏州大学计算机科学与技术学院江苏苏州215006 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215006 软件新技术与产业化协同创新中心南京210000 吉林大学符号计算与知识工程教育部重点实验室长春130012

强化学习是人工智能领域中的一个研究热点。在求解强化学习问题时,传统的最小二乘法作为一类特殊的函数逼近学习方法,具有收敛速度快、充分利用样本数据的优势。通过对最小二乘时序差分算法(Least-Squares Temporal Difference,LSTD)的... 详细信息

强化学习是人工智能领域中的一个研究热点。在求解强化学习问题时,传统的最小二乘法作为一类特殊的函数逼近学习方法,具有收敛速度快、充分利用样本数据的优势。通过对最小二乘时序差分算法(Least-Squares Temporal Difference,LSTD)的研究与分析,并以该方法为基础提出了双权重最小二乘Sarsa算法(Double Weights With Least Squares Sarsa,DWLS-Sarsa)。DWLS-Sarsa算法将两权重通过一定方式进行关联得到目标权重,并利用Sarsa方法对时序差分误差进行控制。在算法训练过程中,两权重会因为更新样本的不同而产生不同的值,保证了算法可以有效地进行探索;两权重也会因为样本数据的分布而逐渐缩小之间的差距直到收敛至同一最优值,确保了算法的收敛性能。最后将DWLS-Sarsa算法与其他强化学习算法进行实验对比,结果表明DWLS-Sarsa算法具有较优的学习性能与鲁棒性,可以有效地处理局部最优问题并提高算法收敛时的表现效果。

关键词：强化学习函数逼近最小二乘时序差分 Sarsa

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：