KENAOTE：一种知识增强的方面和意见对提取多任务学习模型

方面和意见对提取旨在根据给定句子提取方面和意见项并匹配关系,然而相关研究通常独立提取方面和意见项,而不识别关系。为了识别方面和意见项关系,提出一种知识增强的方面和意见对提取多任务学习模型。首先使用预训练语言模型为文本生成具有语义信息的词向量,为了实现知识增强的效果,使用遮蔽注意力的方式将知识图谱的语义信息融入词向量中,然后使用基于距离注意力和条件随机场的序列标注方法提取方面和意见项,最后再将提取的方面和意见项两两匹配预测对应关系。为了加强方面和意见项提取模块和匹配模块的联系,采用共享编码层的方式实现联合训练。在训练流程中,匹配模块采用真实标签作为输入,在测试过程中采用提取模块的结果作为输入。为了证明模型的有效性,使用三个通用领域数据集进行对比实验,该模型在方面和意见项匹配任务中F1值分别达到66.99%、75.17%和67.30%,并优于其他比较模型。     

自然语言生成综述

自然语言生成（NLG）技术利用人工智能和语言学的方法来自动地生成可理解的自然语言文本。NLG降低了人类和计算机之间沟通的难度,被广泛应用于机器新闻写作、聊天机器人等领域,已经成为人工智能的研究热点之一。首先,列举了当前主流的NLG的方法和模型,并详细对比了这些方法和模型的优缺点;然后,分别针对文本到文本、数据到文本和图像到文本等三种NLG技术,总结并分析了应用领域、存在的问题和当前的研究进展;进而,阐述了上述生成技术的常用评价方法及其适用范围;最后,给出了当前NLG技术的发展趋势和研究难点。     

面向本体的企业信息系统设计与研究

利用本体论的方法来实现企业信息系统,提出了企业信息系统的框架体系,及关键技术。定义了企业本体及其概念的框架表示,描述了企业信息系统中的数据库与企业本体集成时建立领域本体的步骤,阐述了本体管理系统中应用本体的功能。     

选举供应链：基于区块链的供应链自治框架

区块链与供应链的结合应用是近几年的热门研究课题。区块链的数据可溯源、防篡改、分布式存储等优点可以为供应链提供较好的数据安全保障,而区块链自身的自治属性也为供应链自治提供了可能。区块链的自治主要依赖于共识机制,然而现有共识机制难以实现对供应链自治的良好支持。针对上述问题,提出一种基于委托权益证明（DPoS）的选举型共识机制,并在此基础上构建了一个基于区块链的供应链自制框架：选举供应链（ESC）。在ESC中,先根据节点参与的智能合约活动计算其信用分,然后从博弈论的角度分析ESC下节点的活跃度和信用分数对其权益的影响。最后,通过定理证明与仿真实验验证了该机制对节点具有良好的激励作用,能有效抑制理性节点支付的最大交易费用,且抑制的力度会随着代表数量的增加而增大。     

边缘指导图像修复算法研究

近年来,深度学习技术的不断发展为图像修复研究提供了新的思路,通过对海量图像数据的学习,使得图像修复方法能够理解图像的语义信息.虽然现有的图像修复方法已能够生成较好的图像修复结果,但遇到结构缺失较为复杂的图像时,对缺失部分细节处理能力较差,所生成的结果会过度平滑或模糊,不能很好地修复图像缺失的复杂结构信息.针对此问题,基...     

一种基于本体的测试用例研究与应用

测试用例是软件测试的重要组成,也是软件测试成败的关键性因素之一。测试用例的完备性和复用性研究已经成为当前软件测试领域的两大热点。论文提出一种基于本体论的测试用例分析与刻画方法,它统一了测试用例的内涵,并为测试用例提供了可穷举的外延选择。该方法解决了软件测试用例完备性和复用性问题。     

钴掺杂锰氧化物水系锌离子电池正极材料的制备与电化学性能

以硝酸锰和硝酸钴为原料,通过溶剂热反应、水解和煅烧制备了可作为水系锌离子电池正极材料的钴掺杂锰氧化物,研究了钴掺杂锰氧化物的微观结构及电化学性能.结果表明:所制备的钴掺杂锰氧化物h-CoMn3.2Ox具有分级核壳结构,多孔壳表面存在径向尺寸大于100 nm的花瓣状纳米片,壳和纳米片均由平均粒径为5 nm的一次粒子构成,...     

基于演化深度学习的图像描述自动生成技术研究

针对现有基于视觉注意力和基于文本注意力的图像描述自动生成模型无法同时兼顾描述图像细节和整体图像的问题,提出了一种基于演化深度学习的图像描述生成模型(evolutionary deep learning model for image captioning, EDLMIC),该模型是一种包含图像编码器、演化神经网络和自适应融合解码器三个子模块的图像描述自动生成模型,能够有效地融合视觉信息和文本信息,自动计算这两种信息在每个时间步所占的比例,从而基于融合的视觉文本信息更好地生成给定图像的相关描述。在Flickr30K和COCO2014两个公开数据集的实验结果表明,EDLMIC模型在METEOR、ROUGE-L、CIDEr和SPICE四个指标均优于其他基线模型,并且在多种不同的生活场景中具有较好的性能。     

基于混合神经网络的开源社区软件开发者人力资源价值预测

随着市场经济的不断发展,人力资源也逐渐受到社会各界的关注.在IT行业中,由于技术的快速发展与更新换代,企业内对高新技术人才的需求日益加大,企业间对稀缺人才的争夺呈现白热化状态.现有的管理学评估方法难以满足企业需求,为更高效地发掘GitHub中的软件开发人才,基于GitHub软件开发者编程能力、项目管理能力、学习能力、团队合作能力、技术影响力、敬业度建立软件开发者人力资源价值评估体系.使用CNN-LSTM混合神经网络进行软件开发者人力资源价值评估并预测未来价值.实验表明,模型评估软件开发者价值的准确率可达98.59％,测试集上软件开发者人力资源价值预测结果符合企业招聘者预估价值.