检索结果-内蒙古大学图书馆

计算机应用研究 2021年第5期38卷 1331-1335页

作者：姚晟李初宴陈悦安徽大学计算机科学与技术学院合肥230039 安徽大学计算智能与信号处理教育部重点实验室合肥230039

完备混合型信息系统下的粗糙集模型是传统粗糙集模型的重要扩展,目前关于非平衡数据属性约简的研究仅限于完备混合型的粗糙集模型。针对这一问题,提出一种基于不完备混合型信息系统的非平衡数据属性约简。本文首先将传统的粗糙集模型进... 详细信息

完备混合型信息系统下的粗糙集模型是传统粗糙集模型的重要扩展,目前关于非平衡数据属性约简的研究仅限于完备混合型的粗糙集模型。针对这一问题,提出一种基于不完备混合型信息系统的非平衡数据属性约简。本文首先将传统的粗糙集模型进行推广,提出不完备混合型信息系统下的粗糙集模型;然后针对数据的非平衡性,根据上下边界区域和类分布的不均匀性定义了一种新的属性重要度;在基于区别矩阵的基础上设计出一种非平衡数据的属性约简算法。实验分析表明该算法针对不完备非平衡数据的属性约简具有一定的有效性和优越性。

关键词：粗糙集不完备混合型信息系统非平衡数据属性约简

来源：评论

学校读者我要写书评

暂无评论

联合轻量图卷积网络和注意力机制的推荐方法

引用

小型微型计算机系统 2021年第12期42卷 2525-2529页

作者：郑诚黄夏炎安徽大学计算机科学与技术学院合肥230601 安徽大学计算智能与信号处理教育部重点实验室合肥230601

图卷积网络如今越来越多地被应用于推荐系统任务中,由于该模型可以有效捕获多跳邻居的信息,因此可以一定程度上缓解数据稀疏性问题,有效提升推荐任务的准确性.但是目前大部分工作都是直接使用图卷积网络,在推荐任务上算法复杂度较高.本... 详细信息

图卷积网络如今越来越多地被应用于推荐系统任务中,由于该模型可以有效捕获多跳邻居的信息,因此可以一定程度上缓解数据稀疏性问题,有效提升推荐任务的准确性.但是目前大部分工作都是直接使用图卷积网络,在推荐任务上算法复杂度较高.本文提出了一个融合轻量图卷积网络和注意力机制的模型.该模型通过嵌入传播获得更多邻域的协同信息,同时利用注意力网络对不同的邻域进行区分,最后用于推荐.从而在降低算法复杂度的基础上进一步提升了模型的准确性.通过在Gow alla、Yelp2018和Amazon-book 3个不同领域的真实数据集上的实验结果表明,该方法的性能有较好的表现.

关键词：图卷积网络注意力机制推荐系统嵌入传播

来源：评论

学校读者我要写书评

暂无评论

不完备邻域决策粗糙集的最小化代价属性约简算法

引用

计算机应用研究 2021年第1期38卷 65-68页

作者：姚晟李初宴吴照玉安徽大学计算机科学与技术学院合肥230601 安徽大学计算智能与信号处理教育部重点实验室合肥230601

目前的决策粗糙集研究主要集中在完备离散型信息系统,很少有对不完备连续型数据进行研究,考虑这一问题,提出一种不完备邻域决策粗糙集模型。首先在不完备连续型数据中引入了不完备邻域关系,然后利用该二元关系对传统的决策粗糙集进行重... 详细信息

目前的决策粗糙集研究主要集中在完备离散型信息系统,很少有对不完备连续型数据进行研究,考虑这一问题,提出一种不完备邻域决策粗糙集模型。首先在不完备连续型数据中引入了不完备邻域关系,然后利用该二元关系对传统的决策粗糙集进行重构,一种称之为不完备邻域决策粗糙集的模型被提出,同时基于决策代价原则,进一步地提出了最小化决策代价的属性约简算法。最后通过实验表明了所提出的算法具有更高的属性约简性能。

关键词：粗糙集不完备邻域关系最小决策代价属性约简

来源：评论

学校读者我要写书评

暂无评论

基于张量表示的域适配的迁移学习中特征表示方法

引用

电子学报 2020年第2期48卷 359-368页

作者：赵鹏王美玉纪霞刘慧婷安徽大学计算机智能与信号处理教育部重点实验室安徽合肥230601 安徽大学计算机科学与技术学院安徽合肥230601

本文提出一种新的基于张量表示的域适配迁移学习中的特征表示方法,即融合联合域对齐和适配正则化的基于张量表示的迁移学习特征表示方法.当源域和目标域差异很大时,仅将源域对齐潜在共享空间,会造成数据扭曲过大.为缓解此问题,本文方法... 详细信息

本文提出一种新的基于张量表示的域适配迁移学习中的特征表示方法,即融合联合域对齐和适配正则化的基于张量表示的迁移学习特征表示方法.当源域和目标域差异很大时,仅将源域对齐潜在共享空间,会造成数据扭曲过大.为缓解此问题,本文方法提出联合域对齐,即源域和目标域同时对齐共享子空间.并且本文方法将适配正则化引入张量表示空间求解.本文适配正则化包括动态分布对齐和图适配,以缩小域间分布差异和保留样本间流行一致性.最后融合联合域对齐,动态分布对齐和图适配,通过联合优化求解获得共享子空间表示.几个公共的跨域数据集上的大量实验结果表明了本文方法优于其它主流的迁移学习方法,验证了本文方法的有效性.

关键词：张量表示迁移学习域适配

来源：评论

学校读者我要写书评

暂无评论

利用多粒度属性网络表示学习进行引文推荐

引用

计算机科学与探索 2021年第6期15卷 1103-1113页

作者：陈洁刘洋赵姝张燕平安徽大学计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601 中钢集团马鞍山矿山研究总院股份有限公司安徽马鞍山243000

引文推荐(CR)聚焦于智能化地产生与查询文章相关的文献列表,对科学研究具有重要价值。引文推荐有关于文章的语义信息和结构信息,近年来,基于网络表示学习(NRL)的引文推荐获得广泛关注。但现有研究使用单粒度网络来建模引文推荐问题,存... 详细信息

引文推荐(CR)聚焦于智能化地产生与查询文章相关的文献列表,对科学研究具有重要价值。引文推荐有关于文章的语义信息和结构信息,近年来,基于网络表示学习(NRL)的引文推荐获得广泛关注。但现有研究使用单粒度网络来建模引文推荐问题,存在计算复杂度高、内存消耗大的弊端。为克服这个挑战,提出一种基于多粒度属性网络表示学习的引文推荐算法(CR-HANRSL),可以大大提升网络表示学习效率并同时兼顾文章的语义和结构特征。首先,根据文章结点属性的语义关联度和作者关系反复将网络粗化成更小的网络,并在每次粗化后都让超结点融合子结点的文本属性为粗化后的网络计算语义连边。随后,利用单粒度网络表示学习方法学习粗化后的网络特征表示并通过学习图卷积神经网络,对原网络的表示进行细化。最后,融合文章间多模态特征表示相似度产生推荐列表。在AAN和DBLP两个数据集上的实验结果表明提出的方法可以在学习高质量网络特征表示的前提下大大提升网络表示学习效率。

关键词：引文推荐多粒度属性网络语言连边表示学习

来源：评论

学校读者我要写书评

暂无评论

基于聚合多阶邻域信息的细化方法的多粒度网络表示学习

引用

小型微型计算机系统 2022年第12期43卷 2471-2478页

作者：赵姝刘梦婷杜紫维宋文超韩光洁计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601 安徽省信息材料与智能传感重点实验室合肥230601 北京智创信安信息科技有限公司北京100080 河海大学物联网工程学院江苏常州213022

多粒度网络表示学习方法因其在学习节点表示过程中可以保留网络的多粒度特征而受到越来越多的关注.该类方法主要经过粗化和细化两个阶段.现有的工作侧重于设计粗化策略以压缩网络规模获得网络的多粒度结构.但是如何保留这种多粒度结构,... 详细信息

多粒度网络表示学习方法因其在学习节点表示过程中可以保留网络的多粒度特征而受到越来越多的关注.该类方法主要经过粗化和细化两个阶段.现有的工作侧重于设计粗化策略以压缩网络规模获得网络的多粒度结构.但是如何保留这种多粒度结构,将粗粒度空间的节点表示细化回原始网络仍具有挑战.本文提出一种基于聚合多阶邻域信息的细化方法的多粒度网络表示学习方法NRAM(Network Refinement based on Aggregating Multi-neighboring information).首先,对于粗化阶段生成的多粒度网络,仅利用现有的网络表示学习方法学习最粗粒度网络的表示;然后将从粗粒度网络继承的节点表示和细粒度网络的结构信息相融合得到细粒度网络的初始嵌入;最后通过聚合节点多阶邻域信息的方式得到细粒度网络的节点表示,迭代该过程直到获得原始网络的节点向量.在3个公共数据集上节点分类的结果证明了NRAM的有效性.

关键词：网络网络表示学习多粒度网络表示学习节点分类

来源：评论

学校读者我要写书评

暂无评论

基于马尔科夫模型的回归研究及其应用

引用

计算机技术与发展 2022年第4期32卷 8-14,38页

作者：何成刚丁宏强陈思宝罗斌王家鑫安徽大学计算机科学与技术学院安徽合肥230031 安徽大学计算智能与信号处理教育部重点实验室安徽合肥230039 美国德州大学阿灵顿分校计算机科学与工程系美国阿灵顿TX76019

在国内外回归分析方法的研究中,神经网络、支持向量机等传统方法被广泛使用,但是由于其计算量太大而且对计算模型和数据的准确性要求很高,在实际的应用中局限性强。为了解决这些难题,对Markov理论和相关模型进行了深入的研究。首先将多... 详细信息

在国内外回归分析方法的研究中,神经网络、支持向量机等传统方法被广泛使用,但是由于其计算量太大而且对计算模型和数据的准确性要求很高,在实际的应用中局限性强。为了解决这些难题,对Markov理论和相关模型进行了深入的研究。首先将多元回归和Markov模型进行结合,提出了基于多元回归的Markov模型,解决了转移矩阵难以确定的问题,并将其应用于国民收入预测中,减少了运算复杂度并且解决了实际应用中的局限性,提高了模型的鲁棒性。同时将Markov模型和Regime Switching Model进行结合,提出了基于Markov-switch的回归算法,使用状态转移矩阵来处理数据,实验结果表明该算法可以有效地提高预测效率和大幅度减少运算时间,并且在UCI数据集上进行验证和传统方法相比,标准差减少72.72%、相关系数提高2%、运行时间减少了50%。

关键词： Markov模型多元回归 Markov-switch回归算法减少运算量缩短运算时间

来源：评论

学校读者我要写书评

暂无评论

背景与前景融合的RGB-D图像显著性检测

引用

计算机科学与探索 2020年第7期14卷 1232-1242页

作者：赵强王爱平刘政怡安徽大学计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601 安徽大学信息保障技术协同创新中心合肥230601

RGB-D图像显著性检测是指在传统的2D图像中附加深度信息从而提取显著对象,但是现有的显著性检测模型,大多数只关注显著物体本身,却忽略了背景信息。因此,提出了一个新颖的显著性检测模型,将深度信息同时考虑到背景和前景中提取出显著区... 详细信息

RGB-D图像显著性检测是指在传统的2D图像中附加深度信息从而提取显著对象,但是现有的显著性检测模型,大多数只关注显著物体本身,却忽略了背景信息。因此,提出了一个新颖的显著性检测模型,将深度信息同时考虑到背景和前景中提取出显著区域。首先,通过图像边界信息的背景测量机制来去除前景噪声并从边界超像素中选择背景种子,从而计算出基于背景的显著图;其次,将输入的图像构造成图,并将深度信息引入到图形结构中,利用颜色、深度、位置等线索获取前景种子,从而计算出基于前景的显著图;最后,将背景图和前景图融合获得初始显著图,再加以元胞优化,迭代传播后得到最终的显著图。在三个RGB-D图像显著性检测数据集LFSD、NJU-400、NJU-2000上进行对比实验,实验结果表明,该方法具备有效性,同时也提高了检测准确率。

关键词： RGB-D图像显著性检测前景和背景显著图像融合迭代传播

来源：评论

学校读者我要写书评

暂无评论

基于双重最相关注意力网络的协同过滤推荐算法

引用

计算机应用 2020年第12期40卷 3445-3450页

作者：张文龙钱付兰陈洁赵姝张燕平安徽大学计算机科学与技术学院合肥230601 计算智能与信号处理教育部重点实验室(安徽大学) 合肥230601

基于项目的协同过滤从用户的历史交互项目中学习用户偏好,根据用户的偏好推荐相似的新项目。现有的协同过滤方法认为用户所交互的一组历史项目对用户的影响是相同的,并且将所有历史交互项目在对目标项目作预测时的贡献看作是相同的,导... 详细信息

基于项目的协同过滤从用户的历史交互项目中学习用户偏好,根据用户的偏好推荐相似的新项目。现有的协同过滤方法认为用户所交互的一组历史项目对用户的影响是相同的,并且将所有历史交互项目在对目标项目作预测时的贡献看作是相同的,导致这些推荐方法的准确性受限。针对上述问题,提出了一种基于双重最相关注意力网络的协同过滤推荐算法,该算法包含两层注意力网络。首先,使用项目级注意力网络为不同历史项目分配不同的权重来捕获用户历史交互项目中最相关的项目;然后,使用项目交互级注意力网络感知不同历史项目与目标项目之间的交互关联度;最后,通过两层注意力网络的使用来同时捕获用户在历史交互项目上和目标项目上的细粒度偏好,从而更好地进行下一步推荐工作。在MovieLens和Pinterest两个真实数据集上进行实验,实验结果表明,所提算法在推荐命中率上与基准模型基于深度学习的项目协同过滤(DeepICF)算法相比分别提升了2.3个百分点和1.5个百分点,验证了该算法在为用户进行个性化推荐上的有效性。

关键词：推荐系统协同过滤深度学习隐式反馈注意力机制

来源：评论

学校读者我要写书评

暂无评论

邻域多粒度粗糙集知识更新增量算法

引用

小型微型计算机系统 2020年第5期41卷 908-918页

作者：徐怡孙伟康王泉安徽大学计算智能与信号处理教育部重点实验室合肥230039 安徽大学计算机科学与技术学院合肥230601

邻域多粒度粗糙集由邻域关系族组成,能够有效地处理连续的数值型数据,所以有广泛的应用前景.但在实际应用中,论域的变化会导致多粒度环境下粒度划分的变化,进而导致原始知识的变化,如本文中邻域多粒度粗糙集的正域、负域和边界域的变化... 详细信息

邻域多粒度粗糙集由邻域关系族组成,能够有效地处理连续的数值型数据,所以有广泛的应用前景.但在实际应用中,论域的变化会导致多粒度环境下粒度划分的变化,进而导致原始知识的变化,如本文中邻域多粒度粗糙集的正域、负域和边界域的变化.为了解决这一问题,本文提出了一种基于矩阵的增量式知识更新方法.首先,我们给出了邻域多粒度粗糙集模型的矩阵表示方法.在此基础上,提出了正域、负域和边界域的增量更新算法.通过使用该方法,减少了知识更新的时间复杂度,提高了算法的效率,通过具体的数据集和实验验证了该算法的有效性.

关键词：邻域多粒度知识更新矩阵增量方法

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：