基于双迁移度量学习和注意力机制的跨域推荐

传统的推荐算法和深度学习算法面临着用户冷启动的问题.为了解决冷启动问题,研究人员提出了跨领域推荐,利用其他领域的用户偏好信息和项目特征等各种辅助信息,来提高目标领域的推荐性能,有效缓解目标领域的数据稀疏性和冷启动.然而,传统的跨域推荐通常只利用源域信息提高目标域的性能,却不能利用目标域提高源域性能,从而使它们互相提高推荐性能.为此,研究人员提出将双迁移学习和度量学习集合起来,有效地减少两域的重叠用户量,实现了性能的相互提高.基于此,提出将双迁移度量学习和注意力机制集合起来,将这个方法命名为DML-A模型.经过在Amazon数据集上实验,证明了所提出的模型真实有效,模型的推荐性能比未改进的模型更优.     

基于深度学习的电力负荷预测方法综述

电力能源的合理使用和调度一直是关系民生的重要问题,其中的电力负荷预测是近年来学者研究的重点.传统的基于统计学习方法的预测方法由于负荷的非线性和随机因素导致效果不佳,因此研究者把目光放在了近年来热门的人工智能(Artificial Intelligence,AI)领域,比如人工神经网络(Artificial Neural...     

基于分布式计算框架的机器学习系统分析

针对机器学习对大数据处理的消耗大量存储空间和时间的问题,提出利用对数据分区存储和机器学习对分区数据并行处理的方法,对分布式计算框架的机器学习系统框架和矩阵运算对数据处理进行研究,并分析机器学习的模型和数据集分布式处理的方法,实验仿真结果表明,通过对大数据集进行分布式存储和并行计算,提高了机器学习的效率和对大数据的处理能力.     

基于特征融合的中文新闻文本情感分类方法研究

针对现有的新闻文本情感分析任务中,单一模型提取文本特征的片面性,且无法充分提取新闻文本语义等特征问题,提出一种基于门控单元特征融合的BERT-CNN情感分析方法。该方法分别采用BERT语言预训练模型与卷积神经网络（CNN）对新闻文本的特征向量进行提取;然后采用门控循环单元对提取到的文本特征进行特征融合;再输入到Softmax层进行新闻文本分类;最后从精准率、召回率和F1-Score三个维度对比BERT、BERT-CNN、BERT-DPCNN和BERT-ERNIE的实验结果。实验结果表明,当分类场景更换为情感识别时,BERT-CNN依旧具有强大的语义捕捉能力,证明了BERT-CNN的泛化能力;另外,从原BERT的提升效果看,基于门控单元特征融合的BERT-CNN方法（提升2.07%）比词向量的方法（提升0.31%）更高。这一结果也证明了基于门控单元特征融合的BERT-CNN方法的有效性。     

基于改进的BERT-CNN模型的新闻文本分类研究

语言处理模型层出不穷,从在图像领域运用的卷积神经网络(Convolutional Neural Networks,CNN)、被改进后的TextCNN到循环神经网络(Rerrent Neural Network,RNN)、谷歌推出的transformer模型以及百度公司提出的ERNIE模型等.为了区分出在新闻文本领域处理效果最佳的文本分类模型,基于新闻文本任务数据对来自变换器的双向编码器表征量(Bidirectional Encoder Representations from Transformers,BERT)进行微调,再将BERT作为embedding输入到其他深度学习模型中,最后对比目前几个深度学习模型的训练效果.实验结果表明,BERT-CNN模型分类效果最佳,其准确率比原BERT模型的准确率多了0.31％,且更为稳定.     

国产通用计算机技术在智能电网中的应用

阐述计算机和信息技术与电力和电子控制技术融合,在电力工程中得到很多应用,从而保障电能可以更加高效稳定地得到检测和控制。     

基于改进DenseNet网络的肺炎X光图像识别算法

肺炎是一种由微生物感染引起的疾病,严重时可危及生命.目前,世界上最常用的肺炎检测方法是胸部X光图像.利用深度学习图像处理算法对肺炎X光图像特征学习,可以为放射科医生临床诊断提供客观辅助.为提升深度学习DenseNet模型应用于X光图像中检测肺炎的效果,在DenseNet深度模型的基础上,在全连接层加入中心损失(Center loss),在最后输出部分将交叉熵损失函数替换为Focal-loss,提出一种改进的DenseNet模型算法.实验验证了其最高检测分类精度达到94.52％,测试精度达到90.46％.提出的算法模型有效提高了肺炎X光图像检测分类精度.