检索结果-内蒙古大学图书馆

中国科学：信息科学 2020年第7期50卷 1033-1054页

作者：刘铭郑子豪秦兵刘一仝李阳哈尔滨工业大学计算机科学与技术学院哈尔滨150001 鹏城实验室深圳518066 腾讯科技(北京)有限公司北京100193

随着网络信息的剧增,信息流服务备受用户关注.在信息流服务中,如何衡量文本之间的相关度进而从多来源的信息渠道中过滤掉冗余信息提升推荐满意度成为至关重要的环节.当前主流的文本相关度计算方法均是将文本表示为向量,进而通过衡量向... 详细信息

随着网络信息的剧增,信息流服务备受用户关注.在信息流服务中,如何衡量文本之间的相关度进而从多来源的信息渠道中过滤掉冗余信息提升推荐满意度成为至关重要的环节.当前主流的文本相关度计算方法均是将文本表示为向量,进而通过衡量向量之间的相似度来度量文本间的相关度.然而,信息流中的文本多为新闻文本,这些文本的核心是其描述的事件,基于此需要从事件的角度挖掘文本的核心特征进而利用其计算文本间的相关度.当前针对事件的研究大多数着眼于句子级别.事实上,在计算文本相关度时,需要从篇章级别把握文章的内容.故此,篇章级的事件分析更有影响力.为此,本文在句子级事件抽取的基础上,提出了一种篇章级的事件表示方法,其利用句子级事件的抽取结果构建篇章事件连通图,并选取图中重要的节点作为篇章级事件的代表,之后利用篇章级的事件表示结果来度量文本之间的相关度.实验显示,本文提出的文本相关度计算方法要远好于传统的文本相关度计算方法.

关键词：篇章事件连通图篇章级事件相关度文本排序关键子句筛选子句连通图

来源：评论

学校读者我要写书评

暂无评论

基于对抗学习的讽刺识别研究

引用

北京大学学报（自然科学版） 2019年第1期55卷 29-36页

作者：张庆林杜嘉晨徐睿峰哈尔滨工业大学(深圳)计算机科学与技术学院深圳518055

为了避免现有讽刺识别方法的性能会受训练数据缺乏的影响,在使用有限标注数据训练的注意力卷积神经网络基础上,提出一种对抗学习框架,该框架包含两种互补的对抗学习方法。首先,提出一种基于对抗样本的学习方法,应用对抗生成的样本参与... 详细信息

为了避免现有讽刺识别方法的性能会受训练数据缺乏的影响,在使用有限标注数据训练的注意力卷积神经网络基础上,提出一种对抗学习框架,该框架包含两种互补的对抗学习方法。首先,提出一种基于对抗样本的学习方法,应用对抗生成的样本参与模型训练,以期提高分类器的鲁棒性和泛化能力。进而,研究基于领域迁移的对抗学习方法,以期利用跨领域讽刺表达数据,改善模型在目标领域上的识别性能。在3个讽刺数据集上的实验结果表明,两种对抗学习方法都能提高讽刺识别的性能,其中基于领域迁移方法的性能提升更显著;同时结合两种对抗学习方法能够进一步提高讽刺识别性能。

关键词：讽刺识别对抗学习注意力机制卷积神经网络对抗样本

来源：评论

学校读者我要写书评

暂无评论

模式识别课程多层次知识表达设计与配套教材建设

引用

计算机教育 2021年第9期 191-194页

作者：徐勇文杰蒋宗礼哈尔滨工业大学(深圳)计算机科学与技术学院广东深圳518055 北京工业大学计算机学院北京100124

针对模式识别课程现行教材中数学表达内容多以及课堂教学中存在知识理解与转化度偏低、教师难教、学生难学的问题,以图式理论为指导,瞄准"知识贯通、能力提升"的教改目标,基于知识的递进理解规律,提出构建课程内容的"高... 详细信息

针对模式识别课程现行教材中数学表达内容多以及课堂教学中存在知识理解与转化度偏低、教师难教、学生难学的问题,以图式理论为指导,瞄准"知识贯通、能力提升"的教改目标,基于知识的递进理解规律,提出构建课程内容的"高阶""中阶""低阶"表达的多层级体系,并据此介绍与基础教材配套的辅助教材和应用案例建设,最后说明教学效果。

关键词：模式识别高校教育课程设计教材建设

来源：评论

学校读者我要写书评

暂无评论

探索“101计划”计算机领域教培模式——日本东京大学的启示

引用

张江科技评论 2024年第4期 147-151页

作者：高浩珊柴婷婷栾晓佳哈尔滨工业大学(威海)计算机科学与技术学院

作为教育部着力推进的高等教育创新人才培养战略,“101计划”旨在通过深化本科教学改革,针对如计算机科学与技术等关键领域,培养具有创新精神、实践能力和国际视野的拔尖人才。东京大学作为世界顶尖的研究型学府,在创新实践教育方面拥... 详细信息

作为教育部着力推进的高等教育创新人才培养战略,“101计划”旨在通过深化本科教学改革,针对如计算机科学与技术等关键领域,培养具有创新精神、实践能力和国际视野的拔尖人才。东京大学作为世界顶尖的研究型学府,在创新实践教育方面拥有丰富的经验。本文通过分析东京大学本科计算机相关专业的教育模式,以期对高校“101计划”建设实施提供更多思路。

关键词： “101计划” 东京大学通识教育跨学科教育

来源：评论

学校读者我要写书评

暂无评论

基于综合DNA序列特征的支持向量机方法识别核小体定位

引用

生物医学工程学杂志 2020年第3期37卷 496-501页

作者：崔颖徐泽龙李建中黑龙江大学电子工程学院哈尔滨150080 哈尔滨医科大学生物信息科学与技术学院哈尔滨150081 哈尔滨工业大学计算机科学与技术学院哈尔滨150001

本文基于Z曲线(z-curve)理论和位置权重矩阵(PWM)提出一种构建核小体DNA序列的模型。该模型将核小体DNA序列集转换成三维空间坐标,通过计算该序列集的位置权重矩阵获得相似性权重得分,将两者整合得到综合序列特征模型(CSeqFM),并分别计... 详细信息

本文基于Z曲线(z-curve)理论和位置权重矩阵(PWM)提出一种构建核小体DNA序列的模型。该模型将核小体DNA序列集转换成三维空间坐标,通过计算该序列集的位置权重矩阵获得相似性权重得分,将两者整合得到综合序列特征模型(CSeqFM),并分别计算候选核小体序列和连接序列到模型CSeqFM的欧氏距离作为特征集,投入到支持向量机(SVM)中训练和检验,通过十折交叉验证进行性能评估。结果显示,酵母核小体定位的敏感性、特异性、准确率和Matthews相关系数(MCC)分别为97.1%、96.9%、94.2%和0.89,受试者操作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)达到0.980 1。与其他相关Z曲线方法比较,CSeqFM方法在各项评估指标中均表现出优势,具有更好的识别效果。同时,将CSeqFM方法推广到线虫、人类和果蝇的核小体定位识别中,AUC均高于0.90,与iNuc-STNC和iNuc-PseKNC方法比较,CSeqFM方法也表现出较好的稳定性和有效性,进一步表明该方法具有较好的可靠性和识别效能。

关键词：序列特征支持向量机核小体 Z曲线位置权重矩阵欧氏距离

来源：评论

学校读者我要写书评

暂无评论

基于改进的Faster R-CNN的通用目标检测框架

引用

计算机应用 2021年第9期41卷 2712-2719页

作者：马佳良陈斌孙晓飞中国科学院成都计算机应用研究所成都610041 中国科学院大学计算机科学与技术学院北京100049 哈尔滨工业大学(深圳)人工智能研究院广东深圳518055

针对当前基于深度学习的检测器不能有效检测形状不规则或长宽相差悬殊的目标的问题,在传统Faster R-CNN算法的基础上,提出了一个改进的二阶段目标检测框架——Accurate R-CNN。首先,提出了新的交并比(IoU)度量——有效交并比(EIoU),通... 详细信息

针对当前基于深度学习的检测器不能有效检测形状不规则或长宽相差悬殊的目标的问题,在传统Faster R-CNN算法的基础上,提出了一个改进的二阶段目标检测框架——Accurate R-CNN。首先,提出了新的交并比(IoU)度量——有效交并比(EIoU),通过提出中心度权重来降低训练数据中冗余包围框的占比。然后,提出了一个上下文相关的特征重分配模块(FRM),通过建模目标的远程依赖和局部上下文关系信息对特征进行重编码,以弥补池化过程中的形状信息损失。实验结果表明,在微软多场景通用目标(MS COCO)数据集上,对于包围框检测任务,当使用深度为50和101的残差网络(ResNet)作为骨干网络时,Accurate R-CNN比基线模型Faster R-CNN的平均精度(AP)分别提高了1.7个百分点和1.1个百分点,超越了使用同样骨干网络的基于掩膜的检测器。在添加掩膜分支后,对于实例分割任务,当使用两种不同深度的ResNet作为骨干网络时,Accurate R-CNN比Mask R-CNN的掩膜平均精度分别提高了1.2个百分点和1.1个百分点。研究结果显示,相较于基线模型,Accurate R-CNN在不同数据集、不同任务上均取得了更好的检测效果。

关键词：计算机视觉目标检测实例分割交并比感兴趣区域池化

来源：评论

学校读者我要写书评

暂无评论

融合人群密度的自适应深度多目标跟踪算法

引用

模式识别与人工智能 2021年第5期34卷 385-397页

作者：刘金文任卫红田建东中国科学院沈阳自动化研究所机器人学研究室沈阳110169 中国科学院机器人与智能制造创新研究院沈阳110169 中国科学院大学计算机科学与技术学院北京100049 哈尔滨工业大学(深圳)机电工程与自动化学院深圳518055

多目标跟踪技术不能较好地解决目标严重遮挡场景下的多目标跟踪问题,因此文中提出融合人群密度的自适应深度多目标跟踪算法.首先,融合人群密度图和目标检测结果,利用人群密度图的位置和计数信息修正检测器结果,消除漏检、误检.然后,使... 详细信息

多目标跟踪技术不能较好地解决目标严重遮挡场景下的多目标跟踪问题,因此文中提出融合人群密度的自适应深度多目标跟踪算法.首先,融合人群密度图和目标检测结果,利用人群密度图的位置和计数信息修正检测器结果,消除漏检、误检.然后,使用自适应三元组损失改进行人重识别模型的损失函数,提高对重识别特征的辨别能力.最后,使用外观和运动信息进行目标关联,得到最终的跟踪结果.实验验证文中算法可有效解决目标严重遮挡场景下的多目标跟踪问题.

关键词：多目标跟踪人群密度图行人重识别三元组损失

来源：评论

学校读者我要写书评

暂无评论

融合语言知识与深度学习的文本蕴含识别

引用

计算机工程与应用 2020年第24期56卷 157-163页

作者：郑德权于凤王贺伟哈尔滨商业大学计算机与信息工程学院哈尔滨150028 哈尔滨工业大学计算机科学与技术学院哈尔滨150001

文本蕴含技术在自然语言处理中得到了广泛应用,但存在词对推理能力差的问题(例如,句对中出现反义词对无法判断反义关系等)。重点研究了词对知识向量的获取问题,包括融合多特征及有监督的词对关系向量获取、采用TransR的词对关系表示获... 详细信息

文本蕴含技术在自然语言处理中得到了广泛应用,但存在词对推理能力差的问题(例如,句对中出现反义词对无法判断反义关系等)。重点研究了词对知识向量的获取问题,包括融合多特征及有监督的词对关系向量获取、采用TransR的词对关系表示获取、反义词向量表示获取等三种方法,并将知识向量引入到文本蕴含识别模型中的词对齐和注意力机制部分。有关实验表明,上述方法相比经典模型有了较大的提升。

关键词：文本蕴含知识向量深度学习词对齐注意力机制

来源：评论

学校读者我要写书评

暂无评论

一种用于中文微博情感分析的多粒度门控卷积神经网络

引用

郑州大学学报（理学版） 2020年第3期52卷 21-26,33页

作者：陈珂梁斌左敬龙朱兴统广东石油化工学院计算机学院广东茂名525000 哈尔滨工业大学(深圳)计算机科学与技术学院广东深圳518055

提出一种多粒度门控卷积神经网络(multiple grains-gated convolutional neural networks,MG-GCNN)模型。该模型通过结合词语和单字层面的上下文信息作为网络的输入信息,使网络模型可以充分利用上下文中不同粒度的文本特征信息,并且通... 详细信息

提出一种多粒度门控卷积神经网络(multiple grains-gated convolutional neural networks,MG-GCNN)模型。该模型通过结合词语和单字层面的上下文信息作为网络的输入信息,使网络模型可以充分利用上下文中不同粒度的文本特征信息,并且通过门控操作有效控制不同粒度信息的更新和传递。在不同领域微博文本数据集上的实验结果表明,所提出的MG-GCNN模型取得了比传统分类模型和深度网络模型更好的情感分类效果。

关键词：中文微博情感分析门控网络深度学习卷积神经网络自然语言处理

来源：评论

学校读者我要写书评

暂无评论

基于时空周期模式挖掘的活动语义识别方法

引用

智能系统学报 2021年第1期16卷 162-169页

作者：郭茂祖邵首飞赵玲玲李阳北京建筑大学电气与信息工程学院北京100044 北京建筑大学建筑大数据智能处理方法研究北京市重点实验室北京100044 哈尔滨工业大学计算机科学与技术学院黑龙江哈尔滨150001

传统的活动语义识别研究侧重从时空轨迹的空间信息中提取人类的活动语义,对时空轨迹数据的时间特性挖掘不足。本文兼顾时间和空间特征,提出了一种基于周期模式挖掘的活动语义识别方法。首先将分离出的活动轨迹数据通过空间距离进行密度... 详细信息

传统的活动语义识别研究侧重从时空轨迹的空间信息中提取人类的活动语义,对时空轨迹数据的时间特性挖掘不足。本文兼顾时间和空间特征,提出了一种基于周期模式挖掘的活动语义识别方法。首先将分离出的活动轨迹数据通过空间距离进行密度聚类分成不同轨迹簇;然后,根据轨迹簇的时序特征挖掘个体对特定位置的访问周期,基于该访问周期,并结合在该位置的停留时间,及其附近兴趣点分布等特征构建分类模型,识别人类个体的活动语义。基于签到数据和仿真数据的实验结果表明,结合周期特征的活动语义识别方法相比没有加入周期特征的实验结果有效提升识别精度20%以上,在2个相同的签到数据集下,对比其他的识别方法提升精度10%以上。

关键词：时空轨迹时空紧密相连性密度聚类停留时间活动语义识别周期模式挖掘随机森林

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：