检索结果-内蒙古大学图书馆

计算机工程与应用 2023年第4期59卷 104-111页

作者：陈千韩林王素格郭鑫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

选项多标签分类是高考文学类阅读理解选择题解答任务中的重要一环,对不同标签类型的选项调用不同的答题引擎,可以有效提高选择题答题准确率。由于选项类型复杂多样,一个选项可能有多个类别特征,将其看作多标签分类任务。传统多标签分类... 详细信息

选项多标签分类是高考文学类阅读理解选择题解答任务中的重要一环,对不同标签类型的选项调用不同的答题引擎,可以有效提高选择题答题准确率。由于选项类型复杂多样,一个选项可能有多个类别特征,将其看作多标签分类任务。传统多标签分类算法仅考虑到文本与标签间相关性,忽略了标签间相关性,且选项内部存在着强语义关联性,对最终的标签预测产生较大影响。为了充分利用选项内相关性,提出一种基于混合注意力的Seq2seq模型,同时考虑选项标签间相关性和选项内相关性。采用Bi-LSTM获得选项到标签的相互信息,利用多头自注意力获得选项内关联语义。为获取标签间语义相关性,使用标签嵌入方式进行隐式融合。在高考文学类阅读理解选择题数据集上的实验结果表明,对多种相关性建模能有效提升选项多标签分类精度。

关键词：阅读理解多标签文本分类自注意力选项相关性

来源：评论

学校读者我要写书评

暂无评论

基于g^(nn)和X-Net融合的ITE估计方法

引用

南京大学学报(自然科学版) 2024年第5期60卷 753-762页

作者：赵延新原泽鹏翟岩慧牛瑞琪李德玉山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室山西大学太原030006

因果推断可以帮助人们制定更加合理的决策方案,在电子商务和精准医学等领域有广泛的应用,其性能严重依赖对个体因果效应(Individual Treatment Effect,ITE)的准确估计,观察数据中存在的选择偏差与样本数量不一致问题都会影响ITE估计的... 详细信息

因果推断可以帮助人们制定更加合理的决策方案,在电子商务和精准医学等领域有广泛的应用,其性能严重依赖对个体因果效应(Individual Treatment Effect,ITE)的准确估计,观察数据中存在的选择偏差与样本数量不一致问题都会影响ITE估计的准确性.对于选择偏差问题,现有的深度学习方法主要通过平衡所有协变量来进行缓解,但平衡协变量中与处理无关的噪声变量会导致对个体因果效应的估计不准确.对于样本数量不一致问题,这些方法主要通过在损失函数中添加样本权重来进行缓解,但其不能有效提升模型预测的准确性.提出一种基于深度表示学习的方法,通过g^(nn)和IPM(Integral Probability Metric)网络共同诱导神经网络得到协变量中非噪声变量的平衡共享表示,然后引入X-Net来缓解样本数量不一致问题.在半合成与真实数据集上的实验结果表明,提出的算法可以通过缓解样本选择偏差与样本数量不一致问题来提高模型ITE估计的准确性.

关键词：潜在结果模型个体因果效应深度表示学习选择偏差样本数量不一致

来源：评论

学校读者我要写书评

暂无评论

融入模体信息的多层网络社区发现算法

引用

南京大学学报(自然科学版) 2024年第6期60卷 954-969页

作者：赵兴旺张超梁吉业山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

多层网络社区发现算法旨在揭示复杂网络中蕴含的社区结构,近年来得到了广泛关注,然而现有算法在度量节点相似度的过程中往往只关注网络中的低阶结构信息,忽略了高阶结构信息,而且,在对不同层网络进行融合的过程中也没有考虑不同层之间... 详细信息

多层网络社区发现算法旨在揭示复杂网络中蕴含的社区结构,近年来得到了广泛关注,然而现有算法在度量节点相似度的过程中往往只关注网络中的低阶结构信息,忽略了高阶结构信息,而且,在对不同层网络进行融合的过程中也没有考虑不同层之间的差异性.针对以上问题,提出一种融入模体信息的多层网络社区发现算法.首先,各层分别计算融入模体的高阶邻接矩阵,通过与低阶邻接矩阵融合得到重构矩阵,进而基于邻居重要性对重构矩阵进行提升,得到节点相似度矩阵;其次,基于重构矩阵计算各层网络的重要性,再加权融合得到统一的相似度矩阵;最后,基于统一的相似度矩阵得到节点的影响力,通过节点嵌入表示方法,对节点的向量表示进行迭代更新,得到节点的最终嵌入表示.与已有的传统多层网络社区发现算法进行了对比实验,结果表明,提出的算法的多层模块度和标准化互信息等评价指标均优于已有算法.

关键词：多层网络社区发现高阶信息节点相似度嵌入表示

来源：评论

学校读者我要写书评

暂无评论

基于协同训练的半监督图文关系抽取方法

引用

南京理工大学学报 2024年第4期48卷 451-459页

作者：王亚萍王智强王元龙梁吉业山西大学计算机与信息技术学院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

为克服获取大量关系标记样本的昂贵代价,提出基于协同训练的半监督图文关系抽取模型,以利用大量无标记的数据来提升图文关系抽取的准确性。首先,基于图像和文本2种模态构建图像视图和文本语义视图,在标记数据集上训练2种不同视图的分类... 详细信息

为克服获取大量关系标记样本的昂贵代价,提出基于协同训练的半监督图文关系抽取模型,以利用大量无标记的数据来提升图文关系抽取的准确性。首先,基于图像和文本2种模态构建图像视图和文本语义视图,在标记数据集上训练2种不同视图的分类器;然后,将2种视图下的数据分别交叉输入另一视图的分类器,充分挖掘标记数据和未标记数据的信息,输出更准确的分类结果;最后,2种视图下的分类器对未标记数据进行预测,以输出一致的结果。在公开数据集VRD和VG上的实验结果显示,与6种较新的关系检测方法相比,该文方法图像视图和语义视图参数在VRD数据集上分别提升了2.24%、1.41%,在VG数据集上提升了3.59%。

关键词：协同训练半监督多模态关系抽取视觉关系检测

来源：评论

学校读者我要写书评

暂无评论

融合决策蕴涵的知识图谱推理方法

引用

计算机科学与探索 2023年第11期17卷 2743-2754页

作者：翟岩慧何煦李德玉张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

决策蕴涵是形式概念分析中的决策知识表示和推理工具。提出了一种基于决策蕴涵的知识图谱关系补全方法。基于知识图谱构建对应的决策背景,证明决策蕴涵可以等价表示知识图谱推理中的规则;为了快速挖掘决策蕴涵,对复杂的决策背景进行多... 详细信息

决策蕴涵是形式概念分析中的决策知识表示和推理工具。提出了一种基于决策蕴涵的知识图谱关系补全方法。基于知识图谱构建对应的决策背景,证明决策蕴涵可以等价表示知识图谱推理中的规则;为了快速挖掘决策蕴涵,对复杂的决策背景进行多次约简,证明约简后的决策背景也可以获取知识图谱推理中的规则;设计了从简化后的决策背景中获取决策蕴涵的算法,给出了使用决策蕴涵进行关系补全的步骤;最后通过实验验证了上述方法的有效性。该研究为完成知识图谱关系补全任务提供了新的思路,也为融合推理提供了一个新的选择。

关键词：形式概念分析决策蕴涵对象约简知识图谱关系补全

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

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：