导读:本文包含了语义分解论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:语义,分解,矩阵,多维,张量,信息检索,自动机。
语义分解论文文献综述
吴昊,袁国武,普园媛,徐丹[1]（2019）在《联合语义边缘与有向全变分的纹理-结构分解》一文中研究指出在去除尺度变化较大的纹理时,基于低级视觉特征的纹理-结构分解方法难以准确保留语义上重要的弱边缘,针对该问题提出了融合语义边缘检测与有向全变分模型的纹理-结构分解方法.首先在不同尺度下利用多卷积特征网络估计各像素的语义边缘置信度;然后在纹理的局部振荡假设基础上以有向全变分估计各像素的纹理度,为进一步有效地区分纹理边缘和结构边缘,引入块平移算法修正纹理度,并结合边缘置信度优化分解模型的权重.在BSDS500, NYUD以及RTVD数据集上的实验结果表明,该方法在分解准确性和视觉质量上优于现有多种方法,且易于通过GPU加速高分辨率图像的分解效率.(本文来源于《计算机辅助设计与图形学学报》期刊2019年10期）
任开旭,王玉龙,刘同存,李炜[2]（2019）在《融合多维语义表示的概率矩阵分解模型》一文中研究指出协同过滤作为推荐系统核心技术,面临严重的评分数据稀疏性问题.融合物品文本信息可以有效的解决数据稀疏性问题,然而,目前的方法侧重于提取文本的单维特征,忽略了物品语义表示的多维特性.深度挖掘物品内容的多维特性可以更加精细化描述物品的语义信息,有助于提升推荐效果.为此,本文提出基于胶囊网络的概率生成模型.模型利用胶囊网络挖掘文本的多维语义特征,并以正则化方式融入概率矩阵分解框架,建立用户与物品之间的内在关系.实验结果表明本文提出的模型具有更高的评分预测精度.(本文来源于《电子学报》期刊2019年09期）
黄明,林家骏[3]（2018）在《归并奇异值分解:一种快速更新隐含语义索引的方法》一文中研究指出隐含语义索引(LSI)是一种解决信息检索中二义性问题和大规模文档分类的文档索引方法。为了提高LSI效率,应对大数据场景下文档量爆发式增长的问题,提出了一种通过归并奇异值分解来实现LSI快速更新的方法。该方法利用p-边宽单边对角矩阵和箭头矩阵分解技术来加快中间矩阵的奇异值分解过程,并通过将新增文档矩阵的薄奇异值分解(PSVD)归并进主文档矩阵的PSVD以避免重复计算,加快LSI更新速度。通过数学证明论证了该方法的有效性,并讨论了该算法扩展到词条更新场景中的情形。在多个测试数据集上的实验验证了该方法可以在保证检索准确率的前提下有效提高LSI的更新效率。(本文来源于《华东理工大学学报(自然科学版)》期刊2018年03期）
王浩林[4]（2018）在《基于张量分解和语义网的医学信息检索和推荐系统》一文中研究指出随着互联网的飞速发展和医疗信息化建设的推进,信息的爆炸式增长导致了信息过载,给有效的信息获取带来挑战。面对医疗领域复杂和多样化的信息需求,医学信息检索和推荐系统能够帮助用户获取所需的知识和信息,在实际应用中发挥着越来越重要的作用。近年来,数据挖掘技术的发展推动了面向医疗大数据的知识发现,用于辅助诊疗决策并提高医疗健康服务水平。在智能信息处理中,语义网因提供计算机能理解的知识并支持语义推理而得到广泛的应用。针对语义网信息不完整和数据稀疏等问题,引入张量和张量分解方法以利用其处理多维异构数据的优势。因此,本文以张量分解和语义网结合的技术框架为核心,围绕两种核心技术在医疗大数据分析中的应用展开研究,针对其中的一些关键问题进行了探索,并应用到语义增强的医疗信息检索和推荐系统中。具体的,本文的主要研究内容如下:(1)提出基于语义网的语义分析方法。为更好地理解和分析大数据中的非结构化文本,引入语义网络以减小语义鸿沟,通过构建基于查询的扩展网络从语义网中抽取子图,采用复杂网络分析方法进行量化分析。在实证研究中分析网络特性,提出改进的网络特征用于语义相关性分析。结合在自然语言处理中广泛应用的实值词向量,构建基于语义扩展的询证医学文献自动分级系统,用于识别和推荐高质量的医学文献,通过实验验证了提出方法的有效性。(2)研究基于分解模型的数据分析方法及其在医疗领域的应用。第一,在数据驱动的慢性疾病预测中,采用推荐系统中被广泛应用的协同过滤思想,构建叁维张量并引入诊疗属性或时间维度,基于非负张量分解方法实现疾病预测。采用大规模电子病历数据进行评估,验证所提出的方法能够实现更加有效的预测。第二,在预测住院病人跌倒事故的研究中,提出构建四维张量并对分解的时间维度进行滑动平均的预测方法。实验表明,本文提出的方法较传统方法提高了预测精度。第叁,针对医疗数据中通常存在大量缺失值的问题,介绍了分解机在数据分类任务上的应用。(3)构建了语义增强的医疗信息检索系统,提出从结构化和非结构化的信息源分别抽取信息进行查询词扩展的方法。针对语义网信息不完整和数据稀疏等问题,引入叁维张量表示语义网中的叁元组结构,基于有限的标记样本,采用张量分解进行语义叁元组重要性的评估,选取语义网络中优化的查询扩展路径。针对检索性能对扩展词敏感的特点,利用检索系统的反馈,采用增量式的策略调整用于扩展的查询词。使用公共生物医学文献数据集进行评测,并和主流的信息检索系统进行比较,本文提出的方案能显着提高医学信息检索系统的性能。(4)提出基于叁元关系的网络社区医疗问答推荐方法。通过分析在线医疗问答系统中的“问题-标签-专家”叁元关系,构建面向医疗领域专家的推荐系统,应用基于分块坐标下降的非负张量补全进行预测。将推荐算法与传统的信息检索方法相结合,面向医疗问题进行答案检索和推荐,通过实验验证方法的可行性和有效性。以上研究表明,语义网和张量分解分别在语义分析和数据挖掘中展现出重要的研究价值和实用价值,融合两种技术的方案在医疗信息检索和推荐等应用中展现出优异的性能。(本文来源于《中国科学院大学(中国科学院重庆绿色智能技术研究院)》期刊2018-06-01）
陈培,景丽萍[5]（2017）在《融合语义信息的矩阵分解词向量学习模型》一文中研究指出词向量在自然语言处理中起着重要的作用,近年来受到越来越多研究者的关注。然而,传统词向量学习方法往往依赖于大量未经标注的文本语料库,却忽略了单词的语义信息如单词间的语义关系。为了充分利用已有领域知识库(包含丰富的词语义信息),文中提出一种融合语义信息的词向量学习方法(KbEMF),该方法在矩阵分解学习词向量的模型上加入领域知识约束项,使得拥有强语义关系的词对获得的词向量相对近似。在实际数据上进行的单词类比推理任务和单词相似度量任务结果表明,KbEMF比已有模型具有明显的性能提升。(本文来源于《智能系统学报》期刊2017年05期）
王阳,钟勇,李振东,杨观赐[6]（2017）在《融合语义相似度与矩阵分解的评分预测算法》一文中研究指出项目评分矩阵稀疏性问题严重影响协同过滤算法的推荐准确性。针对评分数据稀疏性问题,提出一种融合语义相似度与矩阵分解算法的评分预测算法(SS-MF)。SS-MF通过构建本体概念的层次结构树计算项目间的语义相似度,依据相似度预测填充稀疏矩阵中部分缺失值,调整语义相似度阈值使得既不破坏原始矩阵的内在属性特征又能够完善矩阵数据信息;以预测后评分矩阵为基础,基于矩阵分解理论进行降维与分解,进一步对稀疏矩阵中缺失值进行预测填充。实验结果表明:算法实现了对稀疏评分矩阵中缺失值的预测,且绝对误差值较正态分布随机数预填充奇异值分解(RN-SVD)算法最大降低了4.62%,较奇异值分解(SVD)算法平均降低了1.73%,算法提高了协同过滤中稀疏矩阵评分预测准确性。(本文来源于《计算机应用》期刊2017年S1期）
朱扬扬[7]（2017）在《基于语义一致性和矩阵分解的跨模态哈希检索研究》一文中研究指出多模态是大数据的重要特性,随着大数据时代的到来,像图像检索文本之类的跨模态数据之间的检索已成为潜在的需求。跨模态哈希(Cross-Modal Hashing)方法通过哈希函数将查询数据转变为汉明空间中的二进制编码,即哈希编码,形式上统一了各模态数据,从而将跨模态数据之间的检索转变为哈希编码之间的检索,降低了存储消耗同时加快了检索速度。另外,哈希编码之间通常保持了对应数据之间的相似性,包括模态内相似性和模态间相似性。相似性保持是本文研究的出发点,同时也是跨模态哈希方法的重要组成部分。然而当前大多数跨模态哈希方法仅依据底层特征对数据之间的相似性进行度量,忽略了语义的重要性,不利于缩小语义鸿沟,也不利于提高检索的准确率。人类是从语义层面对事物进行区分和判断的,因此数据之间的真实关系取决于语义。在底层特征具有噪声或者判别性不强时,语义相似性的使用有利于生成具有较好判别性的哈希编码,进而提高检索的准确率。本文从语义层面度量模态内相似性和模态间相似性,提出了两种跨模态哈希方法,分别为:语义一致性跨模态哈希与基于语义一致性和矩阵分解的跨模态哈希。通过在现存的两个主流的数据集上进行实验,验证了方法的有效性。本文的主要研究内容和创新点:(1)语义一致性跨模态哈希仅使用语义度量数据之间的相似性,降低了计算量和哈希编码到高层语义的语义鸿沟,确保哈希编码之间的相似性与原始数据之间的相似性具有语义上的一致性。哈希函数通过线性映射和二值化将数据转变为哈希编码。(2)基于语义一致性和矩阵分解的跨模态哈希同时利用语义和底层特征度量各模态内数据之间的相似性,并用图指示该相似性,缩小了底层特征到高层语义,以及哈希编码到高层语义之间的语义鸿沟。利用矩阵分解构建各模态数据共同的抽象空间,实现数据的抽象表达,并通过量化抽象表达产生相应的哈希编码,最终将哈希函数的学习转换成二元分类中超平面的学习。(本文来源于《安徽大学》期刊2017-04-01）
徐宁[8]（2016）在《LTL语义描述下无人—有人机协同任务分解与调度策略研究》一文中研究指出无人-有人机协同是对抗环境下无人机最现实可行的作战应用样式,是形成新型高效作战体系的有效途径。在复杂任务和低人机比条件下,传统的空基指控方法已经无法满足协同任务要求,需要研究更高层次的指挥控制方法。论文以线性时序逻辑(Linear Temporal Logic,LTL)为任务描述语言,以自动机理论为基础框架,按照由单机到多机的研究思路,系统地研究了面向复杂任务的无人机协同任务分解与任务调度方法。论文的主要研究成果如下:(1)针对无人机任务环境的复杂动态特性,提出基于自动机理论的智能体动态规划框架。对抗条件下的无人机任务环境具有不确定性,针对任务执行中因态势和情报变化产生的重规划需求,通过引入线性时序逻辑、状态转移系统和自动机的相关概念,在LTL自动机模型检测合成方法基础之上,提出在动态环境下的重规划框架,为复杂环境下初次规划和重规划提供了可靠保证。(2)将无人机系统描述从命题逻辑推广为谓词逻辑,提出了LTL语义描述下单无人机动态规划方法。首先,采用谓词逻辑建立了无人机系统的状态描述,在此基础上运用PDDL语言作为无人机动作模式的形式化描述方法,建立了LTL语义描述下的单无人机任务规划的问题模型;其次,设计了由无人机动作模式和系统状态描述构建状态转移系统模型的算法,并将其应用到改进的动态规划方法中,给出了单无人机系统动态规划问题的求解框架,实现了动态环境下无人机任务在线规划;最后,为了提高最优解的搜索速度,改进了原有的无信息搜索方法,定义了基于任务描述的搜索启发式信息,通过仿真验证了方法的有效性,启发式信息下搜索速度提高了30%。(3)在多无人机异步协同动作方式下,研究了LTL语义描述下多无人机协同任务分解与调度问题。单机系统规划中,无人机按照规划出的动作序列顺序执行,回避了动作执行时间对任务时序的影响。在多机系统中,增加多无人机协同动作的模型,并为动作附加时间信息,将问题描述为多无人机异步动作方式下的协同任务规划;针对具有无限节点的系统状态空间,设计了一种启发式信息下迭代扩展的规划求解方法,并针对多机任务特点将任务分解为多个子任务,提高了启发效率;提出了任务分解、迭代求解和动态规划的多无人机调度方法,仿真实验表明:该方法能够在同等规划结果的前提下显着减少扩展的状态空间规模和搜索时间,时间性能减小到百毫秒级。(本文来源于《国防科学技术大学》期刊2016-10-01）
王科[9]（2016）在《语义提升和矩阵分解在跨模哈希检索中的应用研究》一文中研究指出多媒体检索一直是计算机视觉领域的研究重点和难点,传统的多媒体检索方法往往关注于单一模态内的数据检索,如文本检索和图像检索。近年来,随着不同类型的多媒体数据的增加,如何实现不同模态间的数据检索已经成为多媒体检索领域的研究热点。跨模哈希(Cross-Modal Hashing)技术通过构造哈希函数将不同模态数据的高维特征映射成低维的二进制哈希编码,并在汉明空间中保持了高维特征的空间结构,具有存储所需空间小和检索速度快的优点,在跨模检索领域得到广泛的关注。本文结合了跨模哈希技术提出了两种跨模检索算法,分别是：基于语义提升哈希的跨模检索算法和基于有监督矩阵分解哈希的跨模检索算法。通过两个公开数据集上的实验,验证了算法的有效性和可行性。主要内容如下：1.将逻辑斯蒂回归(Logistic Regression)和提升(Boosting)算法应用到跨模哈希检索的研究中。首先,为了保存同一模态内数据间的语义相似性,利用多类别逻辑斯蒂回归模型分别将各自模态内的数据映射到相应的语义空间内,得到数据的语义表示。然后,为了缩小不同模态间的语义鸿沟,使用一个联合的提升算法框架来学习哈希函数。最后,通过学习到的哈希函数将数据的语义表示映射到相同的二进制空间内。2.将图的Laplace矩阵表示和协同矩阵分解(Collective Matrix Factorization)技术应用到跨模哈希检索的研究中。首先,分别使用Laplace矩阵来刻画单个模态内的局部流形结构信息和不同模态间的类别标签信息。然后,利用协同矩阵分解技术来学习哈希函数以及不同模态相似数据的统一哈希编码。最后,通过学习到的哈希函数将不同模态的数据特征转化为相同长度的二进制编码。(本文来源于《安徽大学》期刊2016-05-01）
熊庆旭,陈成昊[10]（2015）在《基于任务分解的无线传感器网络语义通信路由协议》一文中研究指出本发明提供了WSN中面向应用的路由协议。通过对应用、节点及Qo S的参数进行标记得到基本概念,建立包含应用、节点及Qo S本体的任务本体。将路由分为任务扩散、簇头选择,任务初始化,任务协调四个阶段。任务扩散过程中节点广播所要完成的任务,节点记录邻居节点相关信息;簇头选择中,节点根据应用要求选择最优上级节点作为自身数据的接收节点;任务初始化设置每个节点所要完成的任务;任务协调调整节点间的任务分配,达到最优效果。(本文来源于《传感器世界》期刊2015年10期）
语义分解论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
协同过滤作为推荐系统核心技术,面临严重的评分数据稀疏性问题.融合物品文本信息可以有效的解决数据稀疏性问题,然而,目前的方法侧重于提取文本的单维特征,忽略了物品语义表示的多维特性.深度挖掘物品内容的多维特性可以更加精细化描述物品的语义信息,有助于提升推荐效果.为此,本文提出基于胶囊网络的概率生成模型.模型利用胶囊网络挖掘文本的多维语义特征,并以正则化方式融入概率矩阵分解框架,建立用户与物品之间的内在关系.实验结果表明本文提出的模型具有更高的评分预测精度.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
语义分解论文参考文献
[1].吴昊,袁国武,普园媛,徐丹.联合语义边缘与有向全变分的纹理-结构分解[J].计算机辅助设计与图形学学报.2019
[2].任开旭,王玉龙,刘同存,李炜.融合多维语义表示的概率矩阵分解模型[J].电子学报.2019
[3].黄明,林家骏.归并奇异值分解:一种快速更新隐含语义索引的方法[J].华东理工大学学报(自然科学版).2018
[4].王浩林.基于张量分解和语义网的医学信息检索和推荐系统[D].中国科学院大学(中国科学院重庆绿色智能技术研究院).2018
[5].陈培,景丽萍.融合语义信息的矩阵分解词向量学习模型[J].智能系统学报.2017
[6].王阳,钟勇,李振东,杨观赐.融合语义相似度与矩阵分解的评分预测算法[J].计算机应用.2017
[7].朱扬扬.基于语义一致性和矩阵分解的跨模态哈希检索研究[D].安徽大学.2017
[8].徐宁.LTL语义描述下无人—有人机协同任务分解与调度策略研究[D].国防科学技术大学.2016
[9].王科.语义提升和矩阵分解在跨模哈希检索中的应用研究[D].安徽大学.2016
[10].熊庆旭,陈成昊.基于任务分解的无线传感器网络语义通信路由协议[J].传感器世界.2015
论文知识图
