检索结果-内蒙古大学图书馆

计算机科学 2025年第2期52卷 268-278页

作者：王艺洁高国举孙玉娥黄河苏州大学计算机科学与技术学院江苏苏州215006 苏州大学轨道交通学院江苏苏州215131

在软件定义网络(SDN)中,统计流基数信息对于流量工程、流量重路由和攻击检测等很多应用都具有重要作用。现有的研究工作主要分为在单交换机上部署测量结构和多交换机协同测量两类。然而,这两类方案都无法实现全网流量覆盖,并且多交换机... 详细信息

在软件定义网络(SDN)中,统计流基数信息对于流量工程、流量重路由和攻击检测等很多应用都具有重要作用。现有的研究工作主要分为在单交换机上部署测量结构和多交换机协同测量两类。然而,这两类方案都无法实现全网流量覆盖,并且多交换机协同测量通常采用每个交换机独立测量再合并的方式,容易导致重复计数。为了解决上述问题,提出了一种基于分布式Sketch的流基数估计方法。该方法充分利用SDN控制平面集中控制的优势,协同利用每条流的最长连续公共子路径上的交换机,以构建该流的逻辑层计数结构。同时,建立了每条流从逻辑层计数结构到物理交换机空间的映射,使参与计数的交换机可以根据自身状态和实际负载情况动态调整映射区间,以实现全网交换机之间的负载均衡。以vHLL算法为例,实现了一个分布式流基数估计方法的原型,并在四元Fat-Tree网络拓扑下使用真实网络流量数据集进行了实验评估。实验结果表明,所提方法能够有效实现全网每流基数估计,在准确性方面,其ARE和AAE值最多优于对比实验方法94.7%和93.8%;在负载均衡方面,该方法充分利用全网所有交换机,其归一化后的平均数据包负载为0.394,低于所有对比方法,表现良好。

关键词： SDN网络流基数测量分布式网络 Sketch 负载均衡

来源：评论

学校读者我要写书评

暂无评论

基于多视角对比学习的隐式篇章关系识别

引用

计算机工程与科学 2024年第4期46卷 716-724页

作者：吴一珩李军辉朱慕华苏州大学计算机科学与技术学院江苏苏州215006 美团北京100000

隐式篇章关系识别IDRR的相关工作集中在篇章单元编码器的设计上。将对比学习引入到IDRR,以此获得区分度更高的篇章单元表征。具体地,首先使用一个轻量的IDRR模型;然后为了学习到更好的篇章单元表征,分别从样例层级、批层级和群层级,探索... 详细信息

隐式篇章关系识别IDRR的相关工作集中在篇章单元编码器的设计上。将对比学习引入到IDRR,以此获得区分度更高的篇章单元表征。具体地,首先使用一个轻量的IDRR模型;然后为了学习到更好的篇章单元表征,分别从样例层级、批层级和群层级,探索了3种不同视角的对比学习方法在IDRR中的应用;最后本文将多视角对比学习目标联合IDRR同时进行训练。本文提出的方法几乎不增加训练时间,而且只引入少量额外参数。基于PDTB 2.0的实验结果表明该方法达到了最优性能。

关键词：隐式篇章关系识别多视角对比学习联合学习

来源：评论

学校读者我要写书评

暂无评论

基于联合模型的端到端事件可信度识别

引用

计算机科学 2023年第2期50卷 292-299页

作者：曹金娟钱忠李培峰苏州大学计算机科学与技术学院江苏苏州215006

事件可信度是对文本中事件真实情况的一种描述,是自然语言处理领域许多相关应用的基本任务。目前,大多数关于事件可信度的相关研究都是使用标注的事件进行事件可信度识别,不方便实际应用,并且忽略了不同事件源对事件可信度的影响。针对... 详细信息

事件可信度是对文本中事件真实情况的一种描述,是自然语言处理领域许多相关应用的基本任务。目前,大多数关于事件可信度的相关研究都是使用标注的事件进行事件可信度识别,不方便实际应用,并且忽略了不同事件源对事件可信度的影响。针对现有问题,提出了一个端到端的事件可信度识别的联合模型JESF。该模型可以同时进行事件识别、事件源识别、事件可信度识别3个任务;使用BERT(Bidirectional Encoder Representations from Transformers)和语言学特征加强单词的语义表示;使用注意力机制(Attention)和依存句法树构建图卷积神经网络(Graph Convolutional Network,GCN),以有效地提取语义和句法特征。特别地,该模型也可以应用于只考虑默认源(文本作者)的事件可信度任务。在FactBank,Meantime,UW,UDS-IH2等语料上的实验结果显示,所提模型优于基准模型。

关键词：事件可信度识别端到端联合模型图卷积神经网络 BERT

来源：评论

学校读者我要写书评

暂无评论

面向知识图谱问答的查询图选择模型研究

引用

小型微型计算机系统 2023年第9期44卷 1925-1931页

作者：贾永辉陈文亮苏州大学计算机科学与技术学院江苏苏州215006

在基于查询图的知识图谱问答系统(KBQA)中,查询图选择旨在实现问句和候选查询图的语义匹配,从中选出最优查询图来生成答案.受限于问句(序列结构)和候选查询图(图结构)表示形式上的不统一,两者在进行语义匹配时经常存在编码结构复杂以及... 详细信息

在基于查询图的知识图谱问答系统(KBQA)中,查询图选择旨在实现问句和候选查询图的语义匹配,从中选出最优查询图来生成答案.受限于问句(序列结构)和候选查询图(图结构)表示形式上的不统一,两者在进行语义匹配时经常存在编码结构复杂以及匹配效果差的问题.为了解决上述问题,提出一种基于序列匹配的查询图选择方法.具体地,首先将图结构的查询图转换为序列形式,使得语义匹配从图结构与序列结构的相似计算变成两个序列结构之间的相似计算,提高了匹配效果.在此基础上,通过考虑候选查询图集合的全局信息,提出一种新的查询图排序模型.与已往方法相比,所提方法一方面有效地对问句和查询图之间交互信息进行建模,另一方面引入候选查询图集合的全局信息,提升了查询图选择的性能.实验结果表明,所提方法在WebQuestions和ComplexQuestions两个常用KBQA数据集上的F1值分别达到了55.3和44.4.

关键词：知识图谱问答查询图排序查询图生成查询图选择知识图谱

来源：评论

学校读者我要写书评

暂无评论

结合多种语言学特征的中文隐式情感分类

引用

计算机科学 2023年第12期50卷 255-261页

作者：陆靓倩王中卿周国栋苏州大学计算机科学与技术学院江苏苏州215006

情感分析一直是自然语言处理中的热点研究方向,隐式情感分类指无显式情感词的情感分类任务,目前,隐式情感分析还处于起步阶段。隐式情感分析面临缺乏显式情感词、表达方式委婉、语义难以理解等问题,传统的情感分析方法如情感词典、词袋... 详细信息

情感分析一直是自然语言处理中的热点研究方向,隐式情感分类指无显式情感词的情感分类任务,目前,隐式情感分析还处于起步阶段。隐式情感分析面临缺乏显式情感词、表达方式委婉、语义难以理解等问题,传统的情感分析方法如情感词典、词袋模型等难以生效,使得隐式情感分类任务更加艰巨。针对以上问题,提出了一种结合文本、词性与依存关系的图神经网络模型来进行隐式情感分类。具体来说,模型首先抽取文本的词性和依存特征,然后使用预训练语言模型BERT提取文本向量特征,从而构建了一个基于多种语言学特征的图注意力神经网络。该模型在SMP2021隐式情感识别公开数据集上进行了多次实验。实验结果表明,相较于多种基线模型,所提模型取得了较好的分类效果,证实了所提出的融合了多种语言学特征的隐式情感分类方法具有可行性和有效性。

关键词：隐式情感分类词性标注依存分析图模型 BERT 语言学特征

来源：评论

学校读者我要写书评

暂无评论

基于GCN的异构句法驱动汉语语义角色标注

引用

计算机应用与软件 2025年第4期42卷 122-128,134页

作者：杨浩苹夏庆荣李正华王睿苏州大学计算机科学与技术学院江苏苏州215006 唯品会广东广州510000

近年来,句法驱动的语义角色标注(Semantic Role Labeling,SRL)受到了广泛的关注。但是,大部分工作只考虑如何利用单个同构句法树信息。考虑到汉语中存在多个人工构建的高质量异构句法树库,提出采用图卷积神经网络(Graph Convolutional N... 详细信息

近年来,句法驱动的语义角色标注(Semantic Role Labeling,SRL)受到了广泛的关注。但是,大部分工作只考虑如何利用单个同构句法树信息。考虑到汉语中存在多个人工构建的高质量异构句法树库,提出采用图卷积神经网络(Graph Convolutional Networks,GCN)来刻画多个异构句法树中包含的句法信息,并深入比较多种编码方式,来提升汉语SRL的性能。最终,该模型在CPB 1.0和CoNLL-2009汉语数据集上分别达到了84.16%和85.30%的F1值,均高于编码同构句法树的实验结果,且相比于前人的方法有了显著的提升。

关键词：语义角色标注异构句法树库图卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于知识蒸馏的跨模态语音情感分类

引用

中文信息学报 2024年第4期38卷 134-142页

作者：尤佩雯王晶晶高晓雅李寿山苏州大学自然语言处理实验室计算机科学与技术学院江苏苏州215006

针对语音情感分类任务面临的语音数据标注困难的挑战,该文提出了一种新的跨模态语音情感分类任务,其可以使用文本模态数据(源端)帮助语音模态数据(目标端)进行情感分类。在此基础上,提出了一种基于知识蒸馏的跨模态情感分类模型,旨在通... 详细信息

针对语音情感分类任务面临的语音数据标注困难的挑战,该文提出了一种新的跨模态语音情感分类任务,其可以使用文本模态数据(源端)帮助语音模态数据(目标端)进行情感分类。在此基础上,提出了一种基于知识蒸馏的跨模态情感分类模型,旨在通过知识蒸馏方法将文本情感分类模型(教师模型)学习到的预训练先验知识蒸馏到语音情感分类模型(学生模型)中。该模型的特色在于无须在测试端依赖昂贵的语音识别技术,可对原始语音数据直接进行情感分类,有利于该模型在实际语音情感分类应用场景中大规模落地。实验结果表明,该文所提出的方法可以有效利用文本模态分类的经验来提升语音模态的分类效果。

关键词：跨模态知识蒸馏情感分类

来源：评论

学校读者我要写书评

暂无评论

基于用户长短期兴趣的自注意力序列推荐

引用

计算机应用与软件 2023年第6期40卷 103-111页

作者：冯健苏州大学计算机科学与技术学院江苏苏州215006

用户的行为序列既包含了用户的短期兴趣,也包含了用户的长期偏好。针对此类问题,提出一个基于用户长短期兴趣的自注意力模型。使用循环神经网络来处理变长的用户序列,得到用户的长期兴趣表示;用自注意力网络计算序列中的每个项目对预测... 详细信息

用户的行为序列既包含了用户的短期兴趣,也包含了用户的长期偏好。针对此类问题,提出一个基于用户长短期兴趣的自注意力模型。使用循环神经网络来处理变长的用户序列,得到用户的长期兴趣表示;用自注意力网络计算序列中的每个项目对预测用户下一次交互项目的重要性程度,得到用户的短期兴趣表示;将循环神经网络的输出作为查询输入到自注意力网络中,得到综合长短期兴趣的用户表示,并用这个表示来预测用户的下一次交互。该算法在三个真实世界的数据集上评估了提出的模型,其中命中率指标提高7%~30%。

关键词：序列推荐循环神经网络自注意力网络用户兴趣长短期记忆

来源：评论

学校读者我要写书评

暂无评论

路网拓扑感知的轨迹表示学习方法

引用

计算机科学 2023年第11期50卷 114-121页

作者：陈嘉俊陈伟赵雷苏州大学计算机科学与技术学院江苏苏州215006

现有路网场景下的轨迹表示学习(Trajectory Representation Learning,TRL)方法可分为两类,即基于循环神经网络(RNN)和长短期记忆(LSTM)的序列化模型以及基于自注意力机制的学习模型。尽管已有研究做出了重大贡献,但它们仍然存在以下问题... 详细信息

现有路网场景下的轨迹表示学习(Trajectory Representation Learning,TRL)方法可分为两类,即基于循环神经网络(RNN)和长短期记忆(LSTM)的序列化模型以及基于自注意力机制的学习模型。尽管已有研究做出了重大贡献,但它们仍然存在以下问题:(1)现有的路网表示学习方法忽略了相邻路段之间的转移概率,不能充分捕获路网的拓扑结构信息;(2)基于自注意力机制的学习模型在短轨迹和中长轨迹上的表现优于序列化模型,但在长轨迹的表示学习上性能较差,未能很好刻画轨迹的长期语义特征。基于此,文中提出了一个新的轨迹表示学习模型TRMS。该模型采用概率感知游走来优化传统DeepWalk算法,以深入挖掘路网的拓扑结构,然后将自注意力机制和Masked Seq2Seq学习框架相结合来捕获轨迹的长期语义特征。最后,基于真实轨迹数据进行实验,结果表明,TRMS在短、中、长轨迹的嵌入表示上,性能都优于最好的基线方法。

关键词：路网拓扑结构轨迹表示学习序列化模型自注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于条件变分自编码器的问题生成方法

引用

山东大学学报（理学版） 2023年第1期58卷 48-58页

作者：刘东洪宇苏玉兰张民苏州大学计算机科学与技术学院江苏苏州215006

将条件变分自编码器作为辅助模块,引入预训练语言模型的编码解码过程,通过数据增强(潜在的语义扩充)以提高模型的鲁棒性。通过建立陈述句与疑问句之间的高维分布联系,由分布采样实现一对多的问题生成。结果表明,融合条件变分自编码器不... 详细信息

将条件变分自编码器作为辅助模块,引入预训练语言模型的编码解码过程,通过数据增强(潜在的语义扩充)以提高模型的鲁棒性。通过建立陈述句与疑问句之间的高维分布联系,由分布采样实现一对多的问题生成。结果表明,融合条件变分自编码器不仅能生成多样性的问题,也有助于提升问题生成的模型性能。在基于SQuAD数据集划分的2个答案可知问题生成数据集Split1和Split2上,BLEU-4值分别被提升到20.75%和21.61%。

关键词：条件变分自编码器问题生成预训练语言模型

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：