基于统一语义表征的多用户异构语义网络

多用户语义通信,特别是异构语义网络是目前研究较少的课题。提出一种基于统一语义表征的单编码器-单解码器框架,其中异构的语义知识作为引导语义提取和表达的秘钥——符号消息被映射到统一的本原语义空间,并根据接收端用户各自的语义知识特异化解码。所提掩膜推理和异构语义转述约束,相较常用的点对点自编码方案,给语义可解释性及拓展性带来显著增强。针对多用户语义安全性,还提出一种利用语义知识流形空间进行语义加密的方法。     

基于关系模型的语义网络知识表示研究

关系数据库理论基础坚实、技术成熟、产品丰富,多年来一直是存储和处理大数据量的研究和应用首选。如何在关系数据库强大的存储和处理能力基础上建立知识库,一直是知识工程和智能系统研究与应用人员重点研究的内容,也是知识管理走向应用的技术瓶颈。文中提出了语义网络的关系模型,并用实例论述了语义网络知识的关系数据表的存储。     

基于相似性计算的领域模型语义查询

为提高领域资产库的复用能力,解决领域模型与用户的个性化需求不能完全匹配时仍能为目标应用系统的构建提供支持的问题,提出了领域模型语义查询算法.通过服务模型相似度计算结果,建立同一问题域中同类模型之间的语义关联,并以此为基础,提出领域模型的语义查询算法.最后介绍了该算法在领域建模平台中的应用.     

网络社群助力运营商市场经营互联网化转型

互联网+时代,电信运营商的营销渠道互联网化发展,用户触点逐渐由线下转向线上,网络社群成为有力抓手。文章论述网络社群的概念和社群运营的应用场景,在此基础上提出网络社群的建立与运营方案,最后为运营商的社群运营提出建议。电信运营商应把握住社群经济的发展趋势,构建起自身的粉丝生态圈,打造互联网化的市场营销模式。文章对电信运营商构建社群营销体系和助力运营商市场经营互联网化转型有参考价值。     

一种网络学习资源的检索模型研究

首先介绍了四种网络学习模式,并探讨了这四种模式中的最流行的网络学习模式-个别化的网络学习模式的资源特征.然后对个别化的网络学习模式,构建了一种基于语义的检索模型,并对模型中各组成部分的主要作用和模型的检索过程进行了阐述.最后通过实验的验证,证明了模型的合理性和有效性.     

基于Bi-LSTM-CRF网络的语义槽识别

自然语言理解任务的主要目标是运用自然语言处理的相关方法,对用户发出的语句进行解析,转化成结构化的语义表示.本文重点研究了基于语义槽抽取的自然语言理解方法.在基于语义槽抽取的自然语言理解任务中,任务的输入是用户的指令型语句,输出为指令的语义槽实体标注序列,如出发日期、出发地点等,故可将语义槽抽取任务看作类似于命名实体识别任务,以序列标注任务的方法解决.本文研究提出了基于Bi-LSTM-CRF模型的语义槽抽取方法,在英文语料ATIS上进行了实验.实验结果表明,基于Bi-LSTM-CRF网络的方法相比于传统机器学习的基准方法,结果得到了大幅度的提升.对于模型识别的结果,研究中采用F1值进行评价.     

基于语义模型的信息推送平台研究

为解决汽车行业新闻语义关联划分问题,建立了基于语义模型的信息推送平台,通过对采集信息进行语义属性标注,实现信息间的关联与整合,以及信息的个性化主动推送。研究发现基于行业数据建立起的企业、品牌和车型的语义模型,将行业标识扩展到语义层次上,克服了关键词表示的缺陷,能很好地完成信息资源的划分。     

基于深度学习的语义分割网络

提出了一种基于深度学习的语义分割网络。该网络通过多孔卷积设计了一个能提取图像多尺度信息的空间金字塔模块,并通过大量实验探索了空间金字塔模块中多孔采样率和多尺度分支对于网络场景解析能力的影响。讨论了网络训练中不同超参数对于网络性能的影响。在SUN RGB-D数据集上的测试结果显示,与其它state-of-the-art的语义分割网络相比,本文设计的网络性能突出。最后,还对基于红外图像的语义分割进行了初步探索。     

基于词汇树层次语义模型的图像检索算法

解决语义鸿沟必须建立图像低层特征到高层语义的映射,针对此问题,本文提出了一种基于词汇树层次语义模型的图像检索方法.首先提取图像包含颜色信息的SIFT特征来构造图像库的特征词汇树,生成描述图像视觉信息的视觉词汇.并在此基础上利用Bayesian决策理论实现视觉词汇到语义主题信息的映射,进而构造了一个层次语义模型,并在此模型基础上完成了基于内容的语义图像检索算法.通过检索过程中用户的相关反馈,不仅可以加入正反馈图像扩展图像查询库,同时能够修正高层语义映射.实验结果表明,基于该模型的图像检索算法性能稳定,并且随着反馈次数的增加,检索效果明显提升.     

基于语义网技术的网络机器翻译研究

通过分析当前互联网上信息处理的自动化、智能化程度的局限性,指出网络机器翻译系统在处理真实语言情境时的障碍,在机器翻译领域第一次提出引入信息处理的语义网技术,替换传统的网络机器翻译系统处理信息的转换生成语法体系,目的是通过语义网技术智能代理的方法让计算机对网络空间所储存的数据进行智能化评估,从而使机器翻译的结果更加准确,进一步推动了机器翻译技术的发展。     

基于语义网络的知识表示在专家系统中的实现

语义网络是专家系统中知识表示最重要的方法之一,为了使用语义网络更好地描述现实世界中的不确定性知识,定义了语义网络中结点的结构,使用六元式表示结点,并在Prolog环境下实现了初始化、增加、删除、修改六元式结点等操作,提高了用语义网络表示知识时求解问题的效率.     

基于全卷积网络的语义显著性区域检测方法研究

基于底层视觉特征和先验知识的显著性区域检测算法难以检测一些复杂的显著性目标,人的视觉系统能分辨这些目标是由于其中包含丰富的语义知识.本文构建了一个基于全卷积结构的语义显著性区域检测网络,用数据驱动的方式构建从图像底层特征到人类语义认知的映射,提取语义显著性区域.针对网络提取的语义显著性区域的缺点,本文进一步引入颜色信息、目标边界信息、空间一致性信息获得准确的超像素级前景和背景概率.最后提出一个优化模型融合前景和背景概率信息、语义信息、空间一致性信息得到最终的显著性区域图.在6个数据集上与15种最新算法的比较实验证明了本文算法的有效性和鲁棒性.     

基于扩展的语义网络的过程知识表示的研究

文中研究基于语义网络的知识表示,针对目前语义网络框架无法表示过程知识等复杂知识的缺陷,提出了一种称为抽象语义网络的扩展的语义网络,以及基于抽象语义网络的图变换,主要研究了该扩展的语义网络如何表示过程知识,以及利用图变换实现语义网络上的过程变换。     

基于深度学习的语义分割综述

语义分割是深度学习计算机视觉方面的核心领域,有着很深的研究价值.语义分割技术的发展在近几年趋于成熟,从传统的方法到基于卷积神经网络方法的突破,构建了端到端的语义分割深度学习神经网络算法.这些方法被用于人工智能当中,应用在无人驾驶,遥感影像检测,医疗影像研究等方面.基于对经典语义分割算法进行学习,每个经典算法都有自己的特...     

基于语义的数字图书馆检索模型研究

随着网络技术的快速发展,数字图书馆已经成为信息传播和获取的重要途径。而现阶段的数字图书馆缺乏具有语义性的匹配,同时没有提供计算机可读的语义信息。结合图书馆的具体应用,构建了基于本体语义技术的数字图书馆检索模型,并设计实现了一个检索系统原型,然后综合分析并利用DC元数据,建立了描述图书元数据的本体,同时结合图书馆的具体应用,构建了基于本体语义技术的扩展检索模型。最后,根据上述扩展检索模型设计了检索系统原型,并通过三组实验对比,验证了构建的检索模型的有效性和实用性。     

语义分割网络重建单视图遥感影像数字表面模型

该文提出了一种仅依靠激光探测与测量数据,实现单视图遥感影像数字表面模型(DSM)重建的新方法。该方法基于深度学习技术设计了一种编码-解码结构的语义分割网络,该网络采用多尺度残差融合的编码块与解码(MRFED)块从输入图像中提取语义信息,进而逐像素预测高度值;采用特征图跳跃级联的策略保留输入图像的细节特征和结构信息。该文...     

基于最大熵模型的语义角色标注

提出了基于最大熵模型的语义角色标注方法,该方法以浅层句法分析为基础,把短语或命名实体作为标注的基本单元,将最大熵模型用于句子中谓词的语义角色标注.该方法的关键在于模型参数估计和特征选择.具体应用中采用IIS算法学习模型参数,并选择基于句法成分的、基于谓词的、句法成分一谓词关系、语义四类特征作为模型特征集.将该方法用于信息抽取中事件表述语句的语义角色标注,对"职务变动"和"会见"两类事件的表述语句进行事件要素的语义角色标注,在各自的测试集上分别获得了76.3%和72.2%的综合指标F值.     

语义分割网络重建单视图遥感影像数字表面模型

该文提出了一种仅依靠激光探测与测量数据,实现单视图遥感影像数字表面模型(DSM)重建的新方法。该方法基于深度学习技术设计了一种编码-解码结构的语义分割网络,该网络采用多尺度残差融合的编码块与解码(MRFED)块从输入图像中提取语义信息,进而逐像素预测高度值;采用特征图跳跃级联的策略保留输入图像的细节特征和结构信息。该文采用了一个包含DSM数据的遥感影像公开数据集训练与测试模型,实验结果表明：DSM重建结果与真值的平均绝对误差(MAE)为2.1e-02,均方根误差(RMSE)为3.8e-02,结构相似性(SSIM)为92.89%,均优于经典的深度学习语义分割网络。实验证实该方法能够有效实现单视图遥感影像的DSM重建,具有较高的精度,以及较强的地物分布结构重建能力。     

基于语义分割的高分辨率场景解析网络

为了高效地对城市景观等复杂场景进行分割解析,本文结合高分辨率网络（HRNet）,通过金字塔池化模块（Pyramid pooling module,PPM）补充全局上下文信息,提出了一个高分辨率场景解析网络。首先,以HRNet为基干特征提取网络,并利用空洞可分离卷积改进其大量使用的残差模块,在减少参数量的同时提高了对于多尺度目标的分割能力;其次,利用混合空洞卷积框架设计了多级空洞率,在稠密感受野的同时减小了网格问题的影响;然后,设计了多阶段的连续上采样结构以改进HRNetV2简单的后融合机制;最后,使用改进的可适应不同图像分辨率的金字塔池化模块聚合不同区域的上下文信息获得高质量的分割图。在城市景观数据集（CityScapes）上仅以16.4 Mbit的参数数量实现了83.3%MIOU的精度,在Camvid数据集也取得了良好的效果,实现了更加可靠、准确、低计算量的基于语义分割的场景解析方法。