检索结果-内蒙古大学图书馆

清华大学学报（自然科学版） 2018年第3期58卷 231-236页

作者：陈东辉陈岭王俊凯吴勇王敬昌浙江大学计算机科学与技术学院杭州310027 浙江鸿程计算机系统有限公司杭州310009

随着大数据时代的到来，不确定性数据上的聚合查询面临形式多样、计算复杂等挑战。该文将不确定性数据上聚合查询的结果定义为所有可能的值以及对应的概率。基于动态规划思想的求解“和”的分布（distribution sum，DSUM）精确算法，提... 详细信息

随着大数据时代的到来，不确定性数据上的聚合查询面临形式多样、计算复杂等挑战。该文将不确定性数据上聚合查询的结果定义为所有可能的值以及对应的概率。基于动态规划思想的求解“和”的分布（distribution sum，DSUM）精确算法，提出贪心的“和”的分布（greedy distribution sum，GDSUM）和折半合并的“和”的分布（binary merge distribution sum，BMDSUM）的近似算法，这2种算法都能应用于元组级不确定性模型和属性级不确定性模型；并通过理论分析，给出算法的时间和空间复杂度以及最终结果的误差范围。实验结果表明：误差设定为1％时，2种近似算法分别能缩短执行时间15％～21％和22％～32％。

关键词：聚合查询近似算法不确定性数据动态规划误差估计

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的地表水水质预测模型

引用

浙江大学学报（工学版） 2021年第4期55卷 601-607页

作者：许佳辉王敬昌陈岭吴勇浙江大学计算机科学与技术学院浙江杭州310027 浙江鸿程计算机系统有限公司浙江杭州310009

针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络(GNN)的地表水水质预测模型.该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络(LSTM)建模水质指标序列在时间上的复杂依赖关系,将编码... 详细信息

针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络(GNN)的地表水水质预测模型.该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络(LSTM)建模水质指标序列在时间上的复杂依赖关系,将编码结果输入到解码器中得到预测输出.实验结果表明,与时间序列分析方法、通用回归方法和一般深度学习方法相比,该模型能够实现23.3%、26.6%和14.8%的性能提升.

关键词：水质预测图神经网络(GNN) 深度神经网络长短时记忆网络(LSTM) 深度学习

来源：评论

学校读者我要写书评

暂无评论

基于门控循环单元的多因素感知短期游客人数预测模型

引用

浙江大学学报（工学版） 2019年第12期53卷 2357-2364页

作者：王敬昌陈岭余珊珊蒋晨书吴勇浙江鸿程计算机系统有限公司浙江杭州310009 浙江大学计算机科学与技术学院浙江杭州310027

提出的预测模型采取分时序分段策略,使用卷积神经网络(CNN)提取景区多因素时序数据的特征,并对不同因素的时序数据赋予不同的权重,将结果送入门控循环单元(GRU)以挖掘其中的时序信息,结合预测时刻的情境信息(天气状况和节假日)预测短期... 详细信息

提出的预测模型采取分时序分段策略,使用卷积神经网络(CNN)提取景区多因素时序数据的特征,并对不同因素的时序数据赋予不同的权重,将结果送入门控循环单元(GRU)以挖掘其中的时序信息,结合预测时刻的情境信息(天气状况和节假日)预测短期景区内游客人数.在某景区的闸机数据集和监控点车辆数据集上的实验结果表明:基于门控循环单元的多因素感知短期游客人数预测模型可以充分考虑多情境因素并对不同因素时序数据赋予不同的权重,均方根误差(RMSE)和平均绝对百分比误差(MAPE)均小于传统模型,能够有效降低短期游客人数预测误差。

关键词：短期游客人数预测多因素感知门控循环单元(GRU) 卷积神经网络(CNN) 情境信息

来源：评论

学校读者我要写书评

暂无评论

基于在线层次化非负矩阵分解的文本流主题检测

引用

浙江大学学报（工学版） 2016年第8期50卷 1618-1626页

作者：涂鼎陈岭陈根才吴勇王敬昌浙江大学计算机科学与技术学院浙江杭州310027 浙江鸿程计算机系统有限公司浙江杭州310009

针对文本流主题检测中存在的主题结构扁平问题,提出在线的层次化非负矩阵分解方法,在每个时间片中根据归一化累计折损增益选择主题节点进行分解,接着反复将文档分配给最相关的主题节点构建主题层次,该过程中假设主题在由不同时间片中相... 详细信息

针对文本流主题检测中存在的主题结构扁平问题,提出在线的层次化非负矩阵分解方法,在每个时间片中根据归一化累计折损增益选择主题节点进行分解,接着反复将文档分配给最相关的主题节点构建主题层次,该过程中假设主题在由不同时间片中相似主题节点构成的序列中连续再演化,在当前时间片对主题节点进行分解时考虑过去时间片中主题节点的分解结果.该方法不仅能在线的发现和更新文本流中的主题,而且还可揭示主题间的结构关系.在Nist TDT2数据集上的实验结果表明,该方法在NMI、Micro F1、MAP和NDCG等指标下均显著超过了其他动态NMF方法,并在时间效率上显示出一定优势.

关键词：动态主题模型层次聚类非负矩阵分解

来源：评论

学校读者我要写书评

暂无评论

基于历史点击数据的集合选择方法

引用

浙江大学学报（工学版） 2013年第1期47卷 23-28,161页

作者：刘颖陈岭陈根才赵江奇王敬昌浙江大学计算机科学与技术学院浙江杭州310027 浙江鸿程计算机系统有限公司浙江杭州310009

针对分布式信息检索时不同信息集对最终检索结果贡献度有差异的现象,提出基于历史点击数据的集合选择方法(PCTD-CS).该方法利用点击数据估计各集合与历史查询的相关度.采用基于关键词和基于检索结果相结合的方法估计查询间的相似度.利... 详细信息

针对分布式信息检索时不同信息集对最终检索结果贡献度有差异的现象,提出基于历史点击数据的集合选择方法(PCTD-CS).该方法利用点击数据估计各集合与历史查询的相关度.采用基于关键词和基于检索结果相结合的方法估计查询间的相似度.利用历史查询中的相似查询估计新查询与各集合的相关度,选择相关度最高的M个集合进行检索,给出要获取前k个文档的情况下各集合应当返回的文档数.采用召回率Rm、前n个检索结果的准确率P@n及平均准确率MAP对集合选择方法的性能进行验证.实验结果表明,采用PCTD-CS方法提高了检索结果的召回率和准确率,能够更准确地定位到包含相关文档多的集合.

关键词：分布式信息检索集合选择相似查询点击数据

来源：评论

学校读者我要写书评

暂无评论

基于CQPM的OLAP查询日志挖掘及推荐

引用

浙江大学学报（工学版） 2012年第11期46卷 2052-2060,2080页

作者：殷婷肖敏陈岭赵江奇王敬昌浙江大学计算机科学与技术学院浙江杭州310027 浙江鸿程计算机系统有限公司浙江杭州310009

为提高用户的使用效率,提出基于连续查询模式挖掘(CQPM)算法的联机分析处理(OLAP)查询日志挖掘及推荐方法.CQPM算法在双向扩展频繁闭合序列模式挖掘算法(BIDE)的基础上加入查询之间的间隔约束,确保查询模式的连续性.提出方法通过基于查... 详细信息

为提高用户的使用效率,提出基于连续查询模式挖掘(CQPM)算法的联机分析处理(OLAP)查询日志挖掘及推荐方法.CQPM算法在双向扩展频繁闭合序列模式挖掘算法(BIDE)的基础上加入查询之间的间隔约束,确保查询模式的连续性.提出方法通过基于查询后缀树的模糊查询模式匹配(AQPM)算法预测用户下一步有效查询,并将预测结果按概率大小排序后推荐给用户.通过8名OLAP分析人员在Mondrian OLAP服务器上的查询日志对提出方法进行性能评价,结果表明,相较基于prefixspan的改进算法,采用CQPM算法能够去除数量庞大的冗余的查询模式,相较基本的前缀匹配算法,AQPM算法能够提高推荐的准确率.

关键词：数据仓库查询日志 OLAP 推荐

来源：评论

学校读者我要写书评

暂无评论

基于深度神经网络的多因素感知终端换机预测模型

引用

浙江大学学报（工学版） 2021年第1期55卷 109-115页

作者：陈纬奇王敬昌陈岭杨勇勤吴勇浙江大学计算机科学与技术学院浙江杭州310027 浙江鸿程计算机系统有限公司浙江杭州310009 中国电信浙江分公司浙江杭州310040

针对基于特征工程的传统终端换机预测模型依赖于领域知识且无法充分利用用户通话、流量使用等序列数据的问题,提出基于深度神经网络的多因素融合终端换机预测模型.该模型使用长短时记忆网络(LSTM)提取用户通话、流量使用行为序列特征,... 详细信息

针对基于特征工程的传统终端换机预测模型依赖于领域知识且无法充分利用用户通话、流量使用等序列数据的问题,提出基于深度神经网络的多因素融合终端换机预测模型.该模型使用长短时记忆网络(LSTM)提取用户通话、流量使用行为序列特征,使用全连接网络融合用户自然属性、行为序列特征和历史换机信息,预测用户是否换机.实验表明,基于深度神经网络的多因素融合终端换机预测模型能够考虑影响用户换机的多种因素,充分挖掘用户通话、流量使用行为序列特征;当召回率为0.135时,相比于传统模型精确率提高了34.3%.

关键词：终端换机预测多因素感知深度神经网络长短时记忆网络全连接网络

来源：评论

学校读者我要写书评

暂无评论

结合从句级远程监督与半监督集成学习的关系抽取方法

引用

模式识别与人工智能 2017年第1期30卷 54-63页

作者：余小康陈岭郭敬蔡雅雅吴勇王敬昌浙江大学计算机科学与技术学院杭州310027 浙江鸿程计算机系统有限公司杭州310053

针对传统基于远程监督的关系抽取方法中存在噪声和负例数据利用不足的问题,提出结合从句级远程监督和半监督集成学习的关系抽取方法.首先通过远程监督构建关系实例集,使用基于从句识别的去噪算法去除关系实例集中的噪声.然后抽取关系实... 详细信息

针对传统基于远程监督的关系抽取方法中存在噪声和负例数据利用不足的问题,提出结合从句级远程监督和半监督集成学习的关系抽取方法.首先通过远程监督构建关系实例集,使用基于从句识别的去噪算法去除关系实例集中的噪声.然后抽取关系实例的词法特征并转化为分布式表征向量,构建特征数据集.最后选择特征数据集中所有正例数据和部分负例数据组成标注数据集,其余的负例数据组成未标注数据集,通过改进的半监督集成学习算法训练关系分类器.实验表明,相比基线方法,文中方法可以获得更高的分类准确率和召回率.

关键词：关系抽取远程监督从句识别去噪半监督集成学习

来源：评论

学校读者我要写书评

暂无评论

多经多纬纹织CAD简洁设计模式的实现与应用

引用

纺织学报 2020年第1期41卷 63-68页

作者：余晓红刘洋飞郑小飞杭州职业技术学院达利女装学院浙江杭州310018 杭州浙大经纬计算机系统工程有限公司浙江杭州310012

为优化多经多纬织物的工艺设计,研发并实现了纹织工艺处理的简洁设计模式。简洁设计模式的设计原理是将常规纹织CAD工艺设计纹织组织表中意匠图颜色号与梭号对应的二维关系转化为一维线性关系。在具体的意匠图工艺设计阶段,采用合成组织... 详细信息

为优化多经多纬织物的工艺设计,研发并实现了纹织工艺处理的简洁设计模式。简洁设计模式的设计原理是将常规纹织CAD工艺设计纹织组织表中意匠图颜色号与梭号对应的二维关系转化为一维线性关系。在具体的意匠图工艺设计阶段,采用合成组织,由一色对应多个组织简化为一色对1个合成组织,并且引入梭位和空梭概念,在投梭设计上按梭位进行投梭。二重经二重纬加抛花纹织工艺实践表明:运用简洁设计模式,只需设计6个结构简单的合成组织,即可完成原来需要设计的60个简单组织,极大地简化了多经多纬复杂组织的设计过程。

关键词：纹织CAD 简洁设计模式纹织工艺组织设计多经多纬织物

来源：评论

学校读者我要写书评

暂无评论

基于多路层次聚类的商品评论数据概念分类构建

引用

计算机研究与发展 2013年第S2期50卷 208-215页

作者：涂鼎陈岭陈根才吴勇王敬昌浙江大学计算机科学与技术学院杭州310027 浙江鸿程计算机系统有限公司杭州310009

针对基于传统层次聚类构建概念分类只能生成二叉树形式结果的限制,提出一种新的评论集概念分类构建方法.首先,使用主题模型对评论集进行描述,选出评论集中最具代表性的主题词作为候选概念词.接着,使用WordNet提取概念词间的语义关系,并... 详细信息

针对基于传统层次聚类构建概念分类只能生成二叉树形式结果的限制,提出一种新的评论集概念分类构建方法.首先,使用主题模型对评论集进行描述,选出评论集中最具代表性的主题词作为候选概念词.接着,使用WordNet提取概念词间的语义关系,并计算概念词间的语义距离.最后,对概念词进行多路层次聚类,生成概念分类.此外,还提出一种新的概念分类构建性能评价标准,并使用该标准在用户评论数据集上将提出方法与基本层次聚类方法进行了比较,结果表明使用多路层次聚类的方法能够获得与目标概念分类更高的相似度.

关键词：概念分类 WordNet 层次聚类文本挖掘本体评价

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：