近年来,医疗健康领域的实体分类与关系抽取引起了广泛关注。以往工作大多采用流水线模型,此类模型容易忽略任务间联系并造成错误传播,而联合学习则能够很好地避免这2个问题。为此,把卷积神经网络与支持向量机、条件随机场相结合,构建了联合神经网络模型。在此模型基础上,以参数共享的方式,分别通过任务联合、模型联合以及特征联合对实体分类与关系抽取2个任务进行联合学习,在药品说明书语料库中取得了非常不错的效果,实体分类和关系抽取的 F 值分别达到了98.0%和98.3%。实验表明,联合神经网络模型对于实体分类和关系抽取是非常有效的。
针对传统网页排序算法PageRank和HITS中存在的主题漂移、检索效率低等不足,本文提出了一种改进算法PHIA(PageRank and HITS Improved Algorithm)。该算法继承了HITS算法获取根集和基本集的方法,并且使用根集中所有网页的PageRank值作为...
详细信息
针对传统网页排序算法PageRank和HITS中存在的主题漂移、检索效率低等不足,本文提出了一种改进算法PHIA(PageRank and HITS Improved Algorithm)。该算法继承了HITS算法获取根集和基本集的方法,并且使用根集中所有网页的PageRank值作为Hub和Authority初始迭代值,最后根据马尔可夫链求随机矩阵的特征向量的方式来获取网页排名的静态分布。基于随机关键词的检索结果可知,相比于传统的PageRank和HITS算法,改进PHIA算法具有更快的收敛速度,并且在一定程度上提高了网页排序的准确度。
基于Black-burst的多跳广播方法在车联网环境中能够有效地传播紧急消息,该类方法利用车辆间的Black-burst交互,通过迭代分区快速缩小最佳候选车辆的竞争范围,从而实现减少竞争冲突和提高紧急消息传播速度的目的.然而,现有这类方法的迭代分区机制较为固定,没有考虑车流密度对分区机制效果的影响.针对上述问题,本文提出了一种基于动态迭代分区机制的多跳广播(Dynamic and Iterative Partitioning Scheme based Multi-hop Broadcast,DIPS-MB)方法,该方法首先估算当前的车流密度,并利用Black-burst交互确定最佳的迭代分区机制,在尽可能减少冲突区域的前提下缩小了寻找最佳中继车辆的时间.数学分析和仿真实验验证了DIPS-MB方法的有效性.与同类型方法进行对比,基于DIPS-MB的紧急消息在动态车流环境中具有更小的单跳时延和更快的传播速度.
暂无评论