检索结果-内蒙古大学图书馆

计算机科学与探索 2024年第2期18卷 486-495页

作者：陈加兴胡志伟李茹韩孝奇卢江闫智超山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

知识图谱普遍存在知识不完整的问题,这使得链接预测成为知识图谱的重要研究内容。现有模型仅关注三元组的嵌入表示,一方面,在模型的输入仅对实体和关系的嵌入表示进行随机初始化,并未融入实体及关系的描述信息,会缺失语义信息;另一方面... 详细信息

知识图谱普遍存在知识不完整的问题,这使得链接预测成为知识图谱的重要研究内容。现有模型仅关注三元组的嵌入表示,一方面,在模型的输入仅对实体和关系的嵌入表示进行随机初始化,并未融入实体及关系的描述信息,会缺失语义信息;另一方面,在解码时忽略三元组自身结构特征对链接预测结果的影响。针对上述问题,提出一种融合描述信息与结构特征的知识图谱链接预测模型BFGAT。BFGAT模型利用BERT预训练模型编码实体和关系的描述信息,并将描述信息融入到实体与关系的嵌入表示中,解决缺失语义信息的问题;在编码过程使用图注意力机制聚合邻接节点的信息,解决目标节点获得更为丰富信息的问题;在解码过程把三元组的嵌入表示拼接成矩阵,采用基于CNN卷积池化的方法,解决三元组结构特征的问题。该模型在公开数据集FB15k-237和WN18RR上进行了详细的实验,实验表明BFGAT模型能有效提高知识图谱链接预测的效果。

关键词：知识图谱链接预测 BERT 卷积神经网络(CNN)

来源：评论

学校读者我要写书评

暂无评论

基于证据理论的多粒度决策背景最优粒度选取方法

引用

山西大学学报(自然科学版) 2024年第4期47卷 737-750页

作者：王太滨李德玉翟岩慧山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

多粒度形式概念分析是数据挖掘与知识发现的重要工具。本文研究了覆盖多粒度下多粒度决策背景最优属性粒度组合选取方法。首先，基于覆盖属性粒化方法定义多粒度形式背景和多粒度决策形式背景，并且定义多粒度形式背景中的粗糙近似和信... 详细信息

多粒度形式概念分析是数据挖掘与知识发现的重要工具。本文研究了覆盖多粒度下多粒度决策背景最优属性粒度组合选取方法。首先，基于覆盖属性粒化方法定义多粒度形式背景和多粒度决策形式背景，并且定义多粒度形式背景中的粗糙近似和信任结构。其次，基于粒协调性研究粒协调多粒度决策背景的最优属性粒度组合选取方法，并且证明最优属性粒度组合可以由证据理论中的信任函数刻画。最后，基于粗糙集理论和证据理论统一给出粒协调多粒度决策背景的最优属性粒度组合选取方法。

关键词：形式概念分析多粒度最优粒度选取证据理论粗糙集

来源：评论

学校读者我要写书评

暂无评论

面向新冠新闻的三阶段篇章级事件抽取方法

引用

计算机工程与应用 2023年第3期59卷 150-157页

作者：郭鑫高彩翔陈千王素格王雪婧山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

事件抽取是信息抽取领域的一个研究热点。在新冠肺炎疫情常态化下,利用事件抽取技术可以筛选出有价值的信息。然而事件抽取领域缺乏精标注的新冠新闻训练数据集,且因部分事件的复杂性,论元不只存在于一句话中,需要多个句子才能完整描述... 详细信息

事件抽取是信息抽取领域的一个研究热点。在新冠肺炎疫情常态化下,利用事件抽取技术可以筛选出有价值的信息。然而事件抽取领域缺乏精标注的新冠新闻训练数据集,且因部分事件的复杂性,论元不只存在于一句话中,需要多个句子才能完整描述一个事件。因此,首先构建新冠肺炎新闻数据集,接着提出一种三阶段的管道方法实现从篇章中抽取新冠肺炎事件。该方法对数据集进行事件类型分类;进行事件句的抽取;实现篇章级论元抽取。实验结果表明提出的方法能够减少事件分类时间,抽取两个事件句的条件下,对数据通报类论元识别效果最好,准确率、召回率和F1值达到75.0%、73.0%,和74.0%,证明方法能有效抽取新冠肺炎相关篇章级事件。

关键词：新冠肺炎信息抽取事件句抽取篇章级事件抽取

来源：评论

学校读者我要写书评

暂无评论

生成样本对抗训练的图半监督学习

引用

计算机科学与探索 2023年第2期17卷 367-375页

作者：王聪王杰刘全明梁吉业山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

给定一个由少量标记节点和大量未标记节点组成的图,图半监督学习的目标是为图中的未标记节点分配标签。生成对抗网络已经在半监督学习中展示了强大的能力,但基于生成对抗网络的图半监督学习的研究工作较少,目前的工作主要关注在低密度... 详细信息

给定一个由少量标记节点和大量未标记节点组成的图,图半监督学习的目标是为图中的未标记节点分配标签。生成对抗网络已经在半监督学习中展示了强大的能力,但基于生成对抗网络的图半监督学习的研究工作较少,目前的工作主要关注在低密度区域生成未标记样本削弱子图之间的信息传播,从而使决策边界更清晰,但在这类方法中,标记样本过少仍是其面临的主要挑战。针对这个问题,提出了一种基于生成样本对抗训练的图半监督学习算法。该算法基于生成对抗网络,分别生成服从真实样本分布的标记样本和与真实样本分布不同的未标记样本,其中生成的标记样本扩充了监督信息,生成的未标记样本减少了密度间隙中邻近节点的影响,从而提高了图半监督分类效果。相比现有的方法,提出的算法全面考虑了标记样本和未标记样本对图半监督学习的影响,使其分类能力更强。同时在不同的数据集上进行了大量的实验,验证了该方法的有效性。

关键词：图半监督学习生成对抗网络(GAN) 对抗训练生成样本图嵌入

来源：评论

学校读者我要写书评

暂无评论

基于混合提示学习的中医病案小样本分类方法

引用

计算机应用与软件 2024年

作者：冯慧敏谭红叶林浩楠山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

中医病案是对患者诊疗过程的记录，具有很高的研究价值，然而目前中医领域公开可用的数据资源不足。针对中医病案小样本分类问题，提出了一种基于混合提示学习的方法。该方法具有以下特点：（1）设计了离散提示与连续提示相结合的中医... 详细信息

中医病案是对患者诊疗过程的记录，具有很高的研究价值，然而目前中医领域公开可用的数据资源不足。针对中医病案小样本分类问题，提出了一种基于混合提示学习的方法。该方法具有以下特点：（1）设计了离散提示与连续提示相结合的中医混合提示模板，将病案分类任务的输入建模成适配预训练模型处理的形式，以充分利用模型中的先验知识；（2）使用外部知识库扩展每个中医类别的标签词集合，将不同类型的中医知识以相关词形式融入到映射器中，加强了中医类别和病案文本之间的语义关联。实验结果表明，在两个公开数据集的不同数量小样本上，该方法均优于现有的基线方法。

关键词：中医病案小样本文本分类混合提示学习知识库

来源：评论

学校读者我要写书评

暂无评论

标签引导的图神经网络小样本图像分类方法

引用

小型微型计算机系统 2024年

作者：赵宇魏巍岳琴王锋山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

小样本学习旨在通过有限数量的标记样本来训练分类器，以增强模型的泛化能力。现有方法主要依赖于样本特征作为图节点进行消息传递，并对样本间的关系进行隐式建模。然而，这种方法容易导致特征相似但类别不同的样本之间发生混淆，同时... 详细信息

小样本学习旨在通过有限数量的标记样本来训练分类器，以增强模型的泛化能力。现有方法主要依赖于样本特征作为图节点进行消息传递，并对样本间的关系进行隐式建模。然而，这种方法容易导致特征相似但类别不同的样本之间发生混淆，同时未能充分探索样本间潜在的复杂关系。针对这一问题，本文提出了一种标签引导的图神经网络小样本图像分类方法。该方法通过结合类原型和类标签信息作为图节点构建原型图神经网络，利用样本标签信息引导的相似性网络生成的邻接矩阵构建样本关系图神经网络，并采用一致性损失函数实现了两个图神经网络之间的相互指导与优化。在mini -ImageNet和tieredImageNet数据集上的实验验证表明，所提出的方法在小样本图像分类任务中的性能优于其它现有代表性方法。

关键词：小样本学习图像分类图神经网络标签信息

来源：评论

学校读者我要写书评

暂无评论

多尺度信息系统下基于证据理论的三支多属性决策建模

引用

小型微型计算机系统 2024年

作者：李瑞张超李德玉山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

多尺度信息系统为智能决策提供多个粒度层次的数据信息．本文旨在克服单尺度信息系统的局限，改进三支决策的主观性缺陷，并解决D-S证据理论在处理高度冲突证据时的矛盾问题，进而探索三支多属性决策方法．首先，提出基于熵权法的多尺... 详细信息

多尺度信息系统为智能决策提供多个粒度层次的数据信息．本文旨在克服单尺度信息系统的局限，改进三支决策的主观性缺陷，并解决D-S证据理论在处理高度冲突证据时的矛盾问题，进而探索三支多属性决策方法．首先，提出基于熵权法的多尺度信息系统融合模型，以综合考虑各尺度的重要性．其次，将灰色关联度融入TOPSIS法，获取备选方案的评价值，并作为三支决策的条件概率．然后，利用D-S证据理论和信息散度融合三支决策的多组阈值，以获得最终决策结果．最后，通过高中教育综合评估数据集验证该方法在人才评价中的可行性与有效性．本文模型丰富了多尺度信息系统、三支决策、证据理论和信息散度的理论，并有效降低了多属性决策的风险．

关键词：粒计算多尺度信息系统三支决策 D-S证据理论信息散度

来源：评论

学校读者我要写书评

暂无评论

基于D-ResNeXt骨干网络的小样本图像分类算法

引用

山西大学学报(自然科学版) 2024年第4期47卷 761-766页

作者：杨红菊翟艳峰山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

小样本图像分类目前是人工智能领域中非常重要的方向之一，其中基于度量学习的方法具有简洁高效的特点。针对目前图像分类中特征提取阶段所使用的骨干网络问题，现有工作大多使用传统残差网络，受数据集的影响，对类内差异大的图片特征... 详细信息

小样本图像分类目前是人工智能领域中非常重要的方向之一，其中基于度量学习的方法具有简洁高效的特点。针对目前图像分类中特征提取阶段所使用的骨干网络问题，现有工作大多使用传统残差网络，受数据集的影响，对类内差异大的图片特征提取效果不佳。ResNeXt为传统残差网络ResNet的升级版本，优化了在特征提取阶段准确度不高，误差较大的问题。根据其网络特点，本文设计出一种适用于小样本模型的网络变体，运用其变体作为骨干网络，提高其特征提取能力，同时结合两种注意力模块，进一步提升对图像类内相似性以及类间差异性的识别效果，减少无关因素影响，有效提升整体分类精度。

关键词：小样本学习图像分类注意力机制度量学习残差网络

来源：评论

学校读者我要写书评

暂无评论

基于双补全的不完整多视图度量学习

引用

计算机应用 2024年

作者：曲鹏欢魏巍闫京王锋山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

在实际应用中，多视图度量学习成为处理多视图数据的有效方法。然而，多视图数据的不完整性给多视图度量学习带来了巨大挑战。尽管已有一些方法试图解决不完整多视图问题，但它们仍存在以下不足：1）现有方法大多依赖于已有样本的k近邻... 详细信息

在实际应用中，多视图度量学习成为处理多视图数据的有效方法。然而，多视图数据的不完整性给多视图度量学习带来了巨大挑战。尽管已有一些方法试图解决不完整多视图问题，但它们仍存在以下不足：1）现有方法大多依赖于已有样本的k近邻来补全缺失数据，容易忽视样本或视图的独特特征；2）它们仅利用现有样本表示来计算近邻，无法充分表达样本间的近邻关系。为此，提出基于双补全的不完整多视图度量学习方法（DIMVML）。该方法首先利用深度自编码器提取各视图的潜在特征，再结合样本的分布信息和视图间的差异信息来补全缺失样本；其次，根据补全样本的质量进行融合，以获得更高质量的补全结果；最后，通过损失函数优化视图内和视图间的关系。在聚类实验中，本文方法在HandWritten、Caltech101-7、Leaves和YouTubeFace10数据集上的准确率和F值均优于九种先进方法；在分类实验中，本文方法在CUB、ORL和HandWritten数据集上的准确率显著超过其他多视图方法。

关键词：不完整多视图度量学习表示学习差异性一致性

来源：评论

学校读者我要写书评

暂无评论

PillarTNet：基于Transformer的三维目标检测模型

引用

小型微型计算机系统 2024年

作者：韩建栋苏佳山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

针对三维点云目标检测中传统的卷积神经网络在特征提取阶段因下采样导致分辨率降低，影响小目标的识别准确性问题，本文提出一种基于Transformer的三维目标检测模型：PillarTNet。该模型首先使用双重注意力融合模块强化特征编码，然后... 详细信息

针对三维点云目标检测中传统的卷积神经网络在特征提取阶段因下采样导致分辨率降低，影响小目标的识别准确性问题，本文提出一种基于Transformer的三维目标检测模型：PillarTNet。该模型首先使用双重注意力融合模块强化特征编码，然后通过区域扩张注意力模块提取特征，保持整个过程伪图像分辨率不变，更有利于小目标的检测，同时引入区域移位机制促进不同区域的信息交流。但是注意力操作会存在大量空体素，可能增加大目标的漏检与误检风险，为此，对检测头采用空体素关注模块以缓解这一问题。在KITTI数据集上的实验结果显示：PillarTNet在确保Car和Cyclist检测精度的同时，Pedestrian的检测在三个难度等级的■分别达到了62.48%、53.21%和49.57%，且本模型在推理速度和内存需求方面均表现出色，充分验证了PillarTNet的优越性和适应性。

关键词：三维目标检测点云 Transformer 双重注意力融合空体素关注

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：