检索结果-内蒙古大学图书馆

广西师范大学学报(自然科学版) 2025年第3期43卷 1-11页

作者：何安康陈艳平扈应黄瑞章秦永彬贵州大学文本计算与认知智能教育部工程研究中心公共大数据国家重点实验室(贵州大学) 贵州大学计算机科学与技术学院

命名实体识别是自然语言处理领域中的一项基本任务，旨在识别和分类文本中的命名实体。目前，基于跨度的方法在实体识别方面取得一定进展，但这些方法往往忽视了候选跨度的质量差异。针对该问题，本文提出一种融合边界交互信息的命名实... 详细信息

命名实体识别是自然语言处理领域中的一项基本任务，旨在识别和分类文本中的命名实体。目前，基于跨度的方法在实体识别方面取得一定进展，但这些方法往往忽视了候选跨度的质量差异。针对该问题，本文提出一种融合边界交互信息的命名实体识别方法。该方法通过一个边界交互模块评估边界间的语义关联和交互强度，生成边界交互信息矩阵，用于识别边界间潜在的语义联系，引导模型识别和标记出高质量的候选跨度。此外，该方法集成多尺度空洞卷积模块，利用跨度之间的语义关系来减轻非实体噪声的影响。实验表明，本文方法在ACE2005中文数据集、ACE2005英文数据集和Weibo数据集上的F1值分别达到89.78%、87.37%和72.10%,与基准模型相比分别提升0.67、0.95和0.69个百分点，验证了该方法对命名实体识别的有效性。

关键词：自然语言处理命名实体识别信息抽取边界交互

来源：评论

学校读者我要写书评

暂无评论

基于掩码注意力与多特征卷积网络的关系抽取方法

引用

广西师范大学学报(自然科学版) 2025年第3期43卷 12-22页

作者：卢展跃陈艳平杨卫哲黄瑞章秦永彬贵州大学文本计算与认知智能教育部工程研究中心公共大数据国家重点实验室(贵州大学) 贵州大学计算机科学与技术学院

关系抽取旨在抽取2个命名实体之间的语义关系。近年来，提示学习通过拼接提示模板并进行掩码预测的方式，统一了预训练语言模型训练和微调过程的优化目标，在关系抽取领域取得优异的性能。然而，固定的提示模板与关系实例间的弱语义关... 详细信息

关系抽取旨在抽取2个命名实体之间的语义关系。近年来，提示学习通过拼接提示模板并进行掩码预测的方式，统一了预训练语言模型训练和微调过程的优化目标，在关系抽取领域取得优异的性能。然而，固定的提示模板与关系实例间的弱语义关联导致模型对复杂关系的语义感知能力差。针对这一问题，本文提出一种基于掩码注意力与多特征卷积网络的关系抽取方法。该方法采用三仿射注意力机制将提示模板中的掩码与关系实例的语义空间进行交互映射，形成二维掩码语义，并利用多特征卷积网络和多层感知机提取二维掩码语义中的关系信息。该方法通过建立掩码与关系实例间的显式语义依赖，增强提示模型对复杂关系的语义感知能力。该方法在数据集SemEval、SciERC和CLTC上的F1值分别达到91.4%、 91.2%和82.6%,验证了该方法的有效性。

关键词：自然语言处理关系抽取提示学习三仿射注意力机制卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

结合边界信息的对比学习嵌套命名实体识别

引用

计算机应用 2025年

作者：范锦涛陈艳平杨采薇林川贵州大学文本计算与认知智能教育部工程研究中心公共大数据国家重点实验室(贵州大学) 贵州大学计算机科学与技术学院

针对现有对比学习(CL)方法在嵌套命名实体识别(NER)任务中存在以下两个主要缺点：1）枚举生成的候选实体作为对比学习的对象，缺失上下文语义依赖和边界信息；2）产生不必要的噪音和无效信息，增加模型的计算负担并弱化了对比学习的性... 详细信息

针对现有对比学习(CL)方法在嵌套命名实体识别(NER)任务中存在以下两个主要缺点：1）枚举生成的候选实体作为对比学习的对象，缺失上下文语义依赖和边界信息；2）产生不必要的噪音和无效信息，增加模型的计算负担并弱化了对比学习的性能。提出两阶段命名实体识别框架。在第一阶段，通过边界识别模型生成候选实体边界，并通过边界集成模块生成候选实体，减少不必要的负候选实体的生成；同时，在候选实体两侧插入注意力线索，生成对应的候选实体文本，使得模型能够感知上下文语义和边界信息。在第二阶段，提出一个双编码框架用于识别实体，通过对比学习将候选实体文本和实体类型注释映射到相同向量表征空间中，对比的对象不再是候选实体，而是带有注意力线索的句子。此外，设计带有标签语义的分类参数矩阵，丰富模型对候选实体的理解能力。与Binder方法相比，所提方法在GENIA、ACE2005和ACE2004三种嵌套数据集上，性能提升了1.22个百分点，3.42个百分点，2.31个百分点的F1值，验证了所提方法对嵌套命名实体识别任务的有效性。

关键词：对比学习边界信息双编码器标签语义嵌套命名实体识别

来源：评论

学校读者我要写书评

暂无评论

融合深度强化学习的卷积神经网络联合压缩方法

引用

计算机工程与应用 2025年第6期61卷 210-219页

作者：马祖鑫崔允贺秦永彬申国伟郭春陈意钱清贵州大学计算机科学与技术学院文本计算与认知智能教育部工程研究中心贵阳550025 贵州大学公共大数据国家重点实验室贵阳550025 贵州大学贵州省软件工程与信息安全特色重点实验室贵阳550025 贵州财经大学信息学院贵阳550025

随着边缘计算、边缘智能等概念的兴起,卷积神经网络的轻量化部署逐渐成为研究热点。传统的卷积神经网络压缩技术通常分阶段地、独立地执行剪枝与量化策略,但这种方式没有考虑剪枝与量化过程的相互影响,使其无法达到最优的剪枝与量化结果... 详细信息

随着边缘计算、边缘智能等概念的兴起,卷积神经网络的轻量化部署逐渐成为研究热点。传统的卷积神经网络压缩技术通常分阶段地、独立地执行剪枝与量化策略,但这种方式没有考虑剪枝与量化过程的相互影响,使其无法达到最优的剪枝与量化结果,影响压缩后的模型性能。针对以上问题,提出一种基于深度强化学习的神经网络联合压缩方法——CoTrim。CoTrim同时执行通道剪枝与权值量化,利用深度强化学习算法搜索出全局最优的剪枝与量化策略,以平衡剪枝与量化对网络性能的影响。在CIFAR-10数据集上对VGG和ResNet进行实验,实验表明,对于常见的单分支卷积和残差卷积结构,CoTrim能够在精度损失仅为2.49个百分点的情况下,将VGG16的模型大小压缩至原来的1.41%。在复杂数据集Imagenet-1K上对紧凑网络MobileNet和密集连接网络DenseNet进行实验,实验表明,对于深度可分离卷积结构以及密集连接结构,CoTrim依旧能保证精度损失在可接受范围内将模型压缩为原始大小的1/5~1/8。

关键词：卷积神经网络深度强化学习模型压缩通道剪枝权值量化边缘智能

来源：评论

学校读者我要写书评

暂无评论

基于大语言模型的多输入中文拼写纠错方法

引用

计算机应用 2025年第3期45卷 849-855页

作者：马灿黄瑞章任丽娜白瑞娜伍瑶瑶文本计算与认知智能教育部工程研究中心(贵州大学) 贵阳550025 贵州大学计算机科学与技术学院贵阳550025 贵州轻工职业技术学院信息工程系贵阳550025

中文拼写纠错(CSC)是自然语言处理(NLP)中的一项重要研究任务,现有的基于大语言模型(LLM)的CSC方法由于LLM的生成机制,会生成和原文存在语义偏差的纠错结果。因此,提出基于LLM的多输入CSC方法。该方法包含多输入候选集合构建和LLM纠错... 详细信息

中文拼写纠错(CSC)是自然语言处理(NLP)中的一项重要研究任务,现有的基于大语言模型(LLM)的CSC方法由于LLM的生成机制,会生成和原文存在语义偏差的纠错结果。因此,提出基于LLM的多输入CSC方法。该方法包含多输入候选集合构建和LLM纠错两阶段:第一阶段将多个小模型的纠错结果构建为多输入候选集合;第二阶段使用LoRA(Low-Rank Adaptation)对LLM进行微调,即借助LLM的推理能力,在多输入候选集合中预测出没有拼写错误的句子作为最终的纠错结果。在公开数据集SIGHAN13、SIGHAN14、SIGHAN15和修正后的SIGHAN15上的实验结果表明,相较于使用LLM直接生成纠错结果的方法Prompt-GEN-1,所提方法的纠错F1值分别提升了9.6、24.9、27.9和34.2个百分点,相较于表现次优的纠错小模型,所提方法的纠错F1值分别提升了1.0、1.1、0.4和2.4个百分点,验证了所提方法能提升CSC任务的效果。

关键词：中文拼写纠错大语言模型模型集成模型微调提示学习

来源：评论

学校读者我要写书评

暂无评论

基于Boosting优先经验重放的协同计算卸载方法

引用

计算机应用研究 2025年第3期42卷 777-787页

作者：黄毅王文轩崔允贺陈意郭春申国伟贵州大学公共大数据国家重点实验室贵阳550025 贵州大学文本计算与认知智能教育部工程研究中心贵阳550025 贵州大学计算机科学与技术学院贵阳550025 贵州大学贵州省软件工程及信息安全特色重点实验室贵阳550025

现有计算卸载方法没有考虑终端设备和边缘服务器的不同任务排队情况,导致计算卸载模型的时延估计存在偏差。更重要的是,现有基于强化学习的计算卸载方法通过计算时序差分(temporal difference,TD)误差进行经验重放,无法精确评估历史经... 详细信息

现有计算卸载方法没有考虑终端设备和边缘服务器的不同任务排队情况,导致计算卸载模型的时延估计存在偏差。更重要的是,现有基于强化学习的计算卸载方法通过计算时序差分(temporal difference,TD)误差进行经验重放,无法精确评估历史经验的重要性,导致卸载决策精度降低。为解决上述问题,在移动蜂窝网络边缘计算场景下,考虑多设备、多服务器的计算卸载问题,提出一种基于Boosting优先经验重放的协同计算卸载方法—COOPERANT。针对任务调度问题,COOPERANT构建了终端设备任务排队模型及服务器任务排队模型;针对任务卸载问题,COOPERANT设计了融合Boosting的优先经验重放算法、任务卸载联合优化模型、计算卸载多智能体深度强化学习模型及COOPERANT网络更新策略。实验证明,相比于遗传算法、蚁群算法、鲸鱼优化算法、MADDPG算法、TD-MADDPG算法以及MAPPO算法,COOPERANT能够有效降低系统时延和能耗开销,提升网络收敛速度。

关键词：计算卸载 Boosting 多智能体深度强化学习优先经验重放

来源：评论

学校读者我要写书评

暂无评论

基于探测间隔变化的OpenFlow交换机超时嗅探方法

引用

信息网络安全 2025年第2期 295-305页

作者：杨致远崔允贺陈意郭春贵州大学计算机科学与技术学院贵阳550025 公共大数据国家重点实验室贵阳550025 文本计算与认知智能教育部工程研究中心贵阳550025 贵州省软件工程与信息安全特色重点实验室贵阳550025

软件定义网络(SDN)通过分离控制平面和数据平面实现了网络的集中化、可编程化和灵活化。但这种架构也使SDN面临新的攻击威胁,针对SDN交换机的超时嗅探是其面临的主要安全威胁之一。现有的超时嗅探方法忽略了超时的最大值、探测包的生成... 详细信息

软件定义网络(SDN)通过分离控制平面和数据平面实现了网络的集中化、可编程化和灵活化。但这种架构也使SDN面临新的攻击威胁,针对SDN交换机的超时嗅探是其面临的主要安全威胁之一。现有的超时嗅探方法忽略了超时的最大值、探测包的生成时间以及超时之间的关系对于探测超时的影响,导致出现探测失败、超时类型识别错误和超时值探测精度低的问题。为解决上述问题,文章提出一种基于探测间隔变化的OpenFlow交换机流表项超时机制嗅探方法—TIMIC。该方法先通过调整探测包的发送间隔获得超时值,再通过该超时值判断具体的超时机制及更精确的超时值。实验结果表明,TIMIC在不同的超时机制下都能成功探测超时类型和超时值,且探测出的超时值能够保持较小的探测误差。在通用的超时设置下,TIMIC发送的超时探测包更少,探测成本更低。

关键词：软件定义网络超时机制嗅探探测间隔

来源：评论

学校读者我要写书评

暂无评论

EvoTrace:基于非线性数据包遥测和批处理的轻量级带内网络遥测方法

引用

计算机科学 2025年第5期52卷 291-298页

作者：王攀祥崔允贺申国伟郭春陈意钱清贵州大学计算机科学与技术学院文本计算与认知智能教育部工程研究中心贵阳550025 贵州大学计算机科学与技术学院公共大数据国家重点实验室贵阳550025 贵州省软件工程与信息安全特色重点实验室贵阳550025 贵州财经大学信息学院贵阳550025

带内网络遥测(In-band Network Telemetry,INT)使数据包能够携带网络状态信息,具有较高的测量准确性和精度。然而,这种提升是以增加数据平面开销为代价的。遥测信息的嵌入会导致数据平面的网络开销过大。同时,现有的遥测方法通常对大流... 详细信息

带内网络遥测(In-band Network Telemetry,INT)使数据包能够携带网络状态信息,具有较高的测量准确性和精度。然而,这种提升是以增加数据平面开销为代价的。遥测信息的嵌入会导致数据平面的网络开销过大。同时,现有的遥测方法通常对大流的数据包进行大量的测量,忽略了对中小流数据包的测量。为了克服上述问题,提出了一个轻量级的INT方法——EvoTrace。EvoTrace设计了一种非线性数据包遥测方法,根据网络流的属性监测不同流的数据包。此外,EvoTrace还采用元数据批处理的方式对遥测元数据进行聚合,以减少网络带宽占用和遥测数据包的数量。在OpenvSwitch(OVS)上实现了EvoTrace并进行了测试,实验结果表明,与现有方法相比,EvoTrace在提高网络流监测覆盖率的同时,节省了40%以上的INT带宽占用。

关键词：网络遥测可编程数据平面带内网络遥测网络测量软件定义网络

来源：评论

学校读者我要写书评

暂无评论

结合二维增强融合机制的事件论元抽取方法

引用

计算机工程与应用 2025年第10期61卷 111-119页

作者：王潞翔陈艳平黄辉黄瑞章秦永彬贵州大学计算机科学与技术学院文本计算与认知智能教育部工程研究中心贵州大学公共大数据国家重点实验室

针对现有的事件论元抽取研究中触发词和论元间缺少交互以及通道内部缺少交互的问题，提出结合二维增强融合机制的事件论元抽取模型（two-dimensional enhanced fusion mechanism for event argument extraction,W2-ARG）。在句子中的触... 详细信息

针对现有的事件论元抽取研究中触发词和论元间缺少交互以及通道内部缺少交互的问题，提出结合二维增强融合机制的事件论元抽取模型（two-dimensional enhanced fusion mechanism for event argument extraction,W2-ARG）。在句子中的触发词两边插入标识符，引入事件类型信息的同时增强触发词和论元的交互，并单独编码触发词以突出其在句子中的语义信息。将论元抽取建模为二维化表示的标签预测，通过膨胀卷积捕获不同距离的单词的语义交互。使用通道注意力模块增强通道内部的交互，以强化通道内的信息传递。最后利用拉普拉斯算子来突出事件论元在语义空间中的位置特征，提升模型对事件论元的识别精度。模型在ACE05-EN、ERE-EN数据集上进行了实验，实验结果表明该方法的性能相较其他基于分类的事件论元抽取方法提升明显。

关键词：事件论元抽取句子平面化表示通道注意力拉普拉斯算子 BERT

来源：评论

学校读者我要写书评

暂无评论

基于对比优化的多输入融合拼写纠错模型

引用

模式识别与人工智能 2024年第1期37卷 85-94页

作者：伍瑶瑶黄瑞章白瑞娜曹军航赵建辉贵州大学文本计算与认知智能教育部工程研究中心贵阳550025 贵州大学公共大数据国家重点实验室贵阳550025 贵州大学计算机科学与技术学院贵阳550025

文本编辑工作中,中文拼写纠错必不可少.现有中文拼写纠错模型大多为单输入模型,语义信息和纠错结果存在局限性.因此,文中提出基于对比优化的多输入融合拼写纠错模型,包含多输入语义学习阶段和对比学习驱动的语义融合纠错阶段.第一阶段... 详细信息

文本编辑工作中,中文拼写纠错必不可少.现有中文拼写纠错模型大多为单输入模型,语义信息和纠错结果存在局限性.因此,文中提出基于对比优化的多输入融合拼写纠错模型,包含多输入语义学习阶段和对比学习驱动的语义融合纠错阶段.第一阶段集成多个单模型的初步纠错结果,为语义融合提供充分的互补语义信息.第二阶段基于对比学习方法优化多个互补的句子语义,避免模型过度纠正句子,同时融合多个互补语义对错误句子进行再纠错,改善模型纠错结果的局限性.在SIGHAN13、SIGHAN14、SIGHAN15数据集上的实验表明文中方法可有效提升纠错性能.

关键词：中文拼写纠错多输入语义学习互补语义融合对比学习优化

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：