导读:本文包含了模型表示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:神经网络,模型,特征,稀疏,图谱,知识,多维。
模型表示论文文献综述
付念[1](2019)在《基于Hadoop技术和稀疏表示模型的自然图像重建算法》一文中研究指出本文提出一种基于分布式存储和计算系统对自然图像进行重建的算法,该算法的主要思想是从分析图像的基本特征开始,对图像块的颜色纹理特征形成一个颜色索引集,对这部分信息进行稀疏重建,通过稀疏矩阵具有低秩性的特点,保持同一类别的结构特性,筛选出最具代表性的特征点来计算和排序这些特征的权重。再通过向量空间计算两点之间的距离来衡量图像之间的相似性,重建后,(本文来源于《电子世界》期刊2019年23期)
朱艳丽,杨小平,王良,张志宇[2](2019)在《TransRD:一种不对等特征的知识图谱嵌入表示模型》一文中研究指出知识图谱嵌入是一种将实体和关系映射到低维向量空间的技术。目前已有的嵌入表示方法在对具有不对等特征的知识图谱中的实体和关系建模时存在两大缺陷:一是假定头尾实体来自同一语义空间,忽略二者在链接结构和数量上的不对等;二是每个关系单独配置一个投影矩阵,忽略关系之间的内在联系,导致知识共享困难,泛化能力差。该文提出一种新的嵌入表示方法TransRD,首先对头尾实体采用不对等转换矩阵进行投影,并用ADADELTA算法自适应调整学习率;其次对关系按相关性分组,每组关系使用同一对投影矩阵的方式来共享公共信息,解决泛化能力差的问题。在公开的数据集WN18和FB15K以及MPBC_20(乳腺癌知识图谱的子集)上进行实验和结果分析并与现有的模型进行对比,结果表明TransRD在各项指标上均取得大幅提升。(本文来源于《中文信息学报》期刊2019年11期)
薛智爽,黄坤超,陈明举,陈柳[3](2019)在《非局部群稀疏表示的图像去噪模型》一文中研究指出针对图像的非局部稀疏表示忽略图像中结构相似信息的缺点,将群稀疏表示引入到图像的最优滤波中,提出了一种有效去除图像高斯噪声的非局部群稀疏表示模型。该模型首先选择图像非局部相似块构建相似矩阵,在群稀疏限制下对相似矩阵进行正交分解得到正交矩阵;在已知噪声服从高斯分布的情况下,再通过求得的正交矩阵结合贝叶斯最小均方误差准则实现对特征矩阵的最优估计;最后通过正交矩阵与特征矩阵重构去噪后的图像。实验对比证明,所提的非局部群稀疏表示的图像去噪模型在去除噪声的同时更好地保留了图像的结构信息,获得了更好的主客观评价指标,去噪的峰值信噪比提高1 dB以上。(本文来源于《电讯技术》期刊2019年10期)
王婧,谷林[4](2019)在《一种优化动作特征表示的动作姿态评测模型》一文中研究指出运用传统的动作表示方法对动作特征进行表示,存在动作识别精度和识别效率较低的问题。为此提出一种优化的动作特征表示方法,即将动作整体特征与动作局部特征相融合,对动作特征进行全面的表示。动作整体特征采用传统人体姿态矩阵表示,动作局部特征采用人体骨骼关节点的旋转量表示。利用神经网络训练动作姿态符合度的网络模型,并依据网络模型输出的动作符合度,实现对动作姿态评测。实验表明,优化的动作表示方法,相较于传统的动作表示方法识别精度提高4.643%,具有较高的识别精度和识别效率。(本文来源于《西安工程大学学报》期刊2019年05期)
聂维民,陈永洲,马静[5](2019)在《融合多粒度信息的文本向量表示模型》一文中研究指出【目的】更加全面地提取文本语义特征,提高文本向量对文本语义的表示能力。【方法】通过卷积神经网络提取词粒度、主题粒度和字粒度文本特征向量,通过"融合门"机制将叁种特征向量融合得到最终的文本向量,并进行文本分类实验。【结果】该模型在搜狗语料库文本分类实验上的准确率为92.56%,查准率为92.33%,查全率为92.07%,F1值为92.20%,较基准模型Text-CNN分别提高2.40%,2.05%,1.77%,1.91%。【局限】词序关系范围较小,语料库规模较小。【结论】该模型可以更加全面地提取文本语义特征,得到的文本向量对文本语义表示能力更强。(本文来源于《数据分析与知识发现》期刊2019年09期)
任开旭,王玉龙,刘同存,李炜[6](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)
陈晓军,向阳[7](2019)在《STransH:一种改进的基于翻译模型的知识表示模型》一文中研究指出最近,以深度学习为代表的表示学习技术受到广泛关注。表示学习旨在将研究对象的语义信息表示为低维稠密实值向量。因此,一系列知识表示模型被提出,其中基于翻译模型的经典方法TransE不仅模型复杂度低、计算效率高,而且具有良好的知识表达能力。但是,TransE方法在处理自反、一对多、多对一和多对多等复杂关系时存在局限性。鉴于此,文中提出一种改进的知识表示模型STransH,分别在实体空间和关系空间建模,并采用单层神经网络的非线性操作来加强实体和关系的语义联系。同时,受TransH模型的启发,引入投影到特定关系超平面的机制,使得实体在不同的关系中有不同的角色。在模型训练时,通过替换语义相似实体来提高生成负例的质量。最后,在公开的数据集FB15K和WN18上进行链接预测实验,分析和验证了所提方法的有效性。相比于TransE和TransH模型,STransH在各项性能指标上均取得了较大提升,其Hits@10和叁元组分类准确率分别提高近10%。(本文来源于《计算机科学》期刊2019年09期)
刘敏卿[8](2019)在《应用信息技术提升学生数学模型思想——《用数对表示具体事物》教学实践与思考》一文中研究指出数学模型思想是重要的数学核心素养之一。本节课笔者充分应用信息技术,"创设情境,感知数学模型""凸现过程,构建数学模型""优化练习设计,应用数学模型""拓展延伸,内化数学模型",逐层推进,引导学生感悟建模过程,促进学生数学模型思想的发展,提升学生的核心素养。(本文来源于《考试周刊》期刊2019年67期)
康宏宇,李姣,吴萌,侯丽[9](2019)在《抗癌药物基因组学知识表示模型构建》一文中研究指出目的:通过构建抗癌药物基因组学知识表示模型,丰富药物、基因、疾病以及个性化用药等之间的语义关系,为临床医生精准用药、联合用药等提供参考依据,为药学科研人员开展新药研发、老药新用等研究提供理论支持,为癌症患者查询药物知识提供服务支撑。方法:对Drug Bank、Rx Norm、FDA药品说明书等药物基因组数据进行整合和抽取,在通用药物基因组学知识表示模型的基础上,涵盖药物、基因、疾病3个基本维度,并拓展个性化用药、药物副作用等知识维度,设计知识表示框架,确立相关实体类型,发现和定义实体与实体之间的语义关系。在构建好的抗癌药物基因组学知识表示模型的基础上,以黑色素瘤相关药物为例,对知识表示模型进行填充,并对实体和实体间语义关系进行可视化表达。结果:实现了药物、基因、疾病、个性化用药、药物副作用5类实体的概念抽取,定义了实体间的15种语义关系,构建了黑色素瘤药物基因组学相关的136个知识叁元组。结论:面向抗癌药物精准用药的药物基因组学知识表示模型可以确定癌症用药与基因突变、人群、药物副作用之间的关联和推动药物基因组学知识在临床研究中的应用。(本文来源于《中华医学图书情报杂志》期刊2019年08期)
郭旭,朱敬华[10](2019)在《基于用户向量化表示和注意力机制的深度神经网络推荐模型》一文中研究指出随着互联网应用的蓬勃发展,推荐系统作为解决信息过载的有效手段,成为了工业界与学术界的研究热点。面向用户隐式反馈的传统推荐算法主要基于协同过滤和排序学习等方法,但这些方法未充分利用用户行为中的隐式反馈特征。文中提出了一种基于神经网络的用户向量化表示模型,其能够充分利用用户的异构的隐式反馈行为特征。同时,借鉴机器翻译中的self-attention机制,设计了一种神经注意力推荐模型,其融合用户向量化表示和用户-项目交互的动态时序特征以提高推荐系统的性能。在公开数据集上进行对比实验,通过召回率、准确率、NDCG 3个指标评价推荐性能。结果表明,与其他面向隐式反馈的推荐模型相比,所提推荐模型具有更好的推荐性能,并且对用户行为特征具有很好的泛化能力。(本文来源于《计算机科学》期刊2019年08期)
模型表示论文开题报告
(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:
知识图谱嵌入是一种将实体和关系映射到低维向量空间的技术。目前已有的嵌入表示方法在对具有不对等特征的知识图谱中的实体和关系建模时存在两大缺陷:一是假定头尾实体来自同一语义空间,忽略二者在链接结构和数量上的不对等;二是每个关系单独配置一个投影矩阵,忽略关系之间的内在联系,导致知识共享困难,泛化能力差。该文提出一种新的嵌入表示方法TransRD,首先对头尾实体采用不对等转换矩阵进行投影,并用ADADELTA算法自适应调整学习率;其次对关系按相关性分组,每组关系使用同一对投影矩阵的方式来共享公共信息,解决泛化能力差的问题。在公开的数据集WN18和FB15K以及MPBC_20(乳腺癌知识图谱的子集)上进行实验和结果分析并与现有的模型进行对比,结果表明TransRD在各项指标上均取得大幅提升。
(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。
模型表示论文参考文献
[1].付念.基于Hadoop技术和稀疏表示模型的自然图像重建算法[J].电子世界.2019
[2].朱艳丽,杨小平,王良,张志宇.TransRD:一种不对等特征的知识图谱嵌入表示模型[J].中文信息学报.2019
[3].薛智爽,黄坤超,陈明举,陈柳.非局部群稀疏表示的图像去噪模型[J].电讯技术.2019
[4].王婧,谷林.一种优化动作特征表示的动作姿态评测模型[J].西安工程大学学报.2019
[5].聂维民,陈永洲,马静.融合多粒度信息的文本向量表示模型[J].数据分析与知识发现.2019
[6].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
[7].陈晓军,向阳.STransH:一种改进的基于翻译模型的知识表示模型[J].计算机科学.2019
[8].刘敏卿.应用信息技术提升学生数学模型思想——《用数对表示具体事物》教学实践与思考[J].考试周刊.2019
[9].康宏宇,李姣,吴萌,侯丽.抗癌药物基因组学知识表示模型构建[J].中华医学图书情报杂志.2019
[10].郭旭,朱敬华.基于用户向量化表示和注意力机制的深度神经网络推荐模型[J].计算机科学.2019