8篇关于BiGRU的计算机毕业论文

今天分享的是关于BiGRU的8篇计算机毕业论文范文, 如果你的论文涉及到BiGRU等主题,本文能够帮助到你

双通道特征学习模型在数学实体抽取中的应用研究

这是一篇关于实体抽取,BiLSTM,IDCNN,BiGRU,双通道特征学习模型的论文, 主要内容为伴随着科学技术的进步与人们对社会教育的需求,人工智能与文化教育融合已经成为了当下发展的趋势。比如机器识别、知识图谱和智能问答系统已经成为现代化教育发展到一定阶段的产物,而实体抽取是构建上述系统的关键技术。本文以数学领域的实体抽取为研究对象,针对当前实体特征提取不完善的问题,利用各神经网络提取特征的优势,构建了双通道特征学习模型,采用多种神经网络同时提取数学实体特征,增强模型提取特征的能力。本文调研了国内外实体抽取任务的研究现状,分析各个模型的优缺点,确定从增强神经网络特征学习能力的角度出发,来提高模型在实体抽取任务中的精确率。首先,研究了膨胀卷积神经网络的堆叠方式,分析了不同的堆叠方法对实体抽取效果的影响。其次,建立了由迭代膨胀卷积神经网络(Iterative Dilation Convolutional Neural Network,IDCNN)、双向长短期记忆神经网络(Bidirectional Long Short Term Memory,BiLSTM)和条件随机场(Condition Random Fields,CRF)组成IDCNN+BiLSTM-CRF双通道特征学习模型,该模型采用双神经网络分别提取出文本的局部特征与全局特征。然后,考虑各神经网络的特征提取优势,提出权重分配策略,该方法通过给各特征向量匹配相应的权重,降低极端特征值对模型识别能力造成的影响。最后,为弥补IDCNN+BiLSTM-CRF模型的运算复杂度高的缺点,选择更为简单的门控循环单元(Gated Recurrent Unit,GRU)代替长短期记忆神经网络,组建IDCNN+BiGRU-CRF模型。为验证模型的性能,本文自建数学文本数据集,搭建实验环境,设计了四组对比实验。实验结果显示,IDCNN+BiLSTM-CRF模型和IDCNN+BiGRU-CRF模型的F1值分别达到了93.24%和93.04%,相比IDCNN-CRF高9.45%和9.25%,比BiLSTM-CRF高8.23%和8.03%。双通道特征学习模型的损失值下降速度比单神经网络快,模型收敛时的损失值最低,即验证了双通道特征学习模型提取特征的能力比其他模型更强,在数学实体抽取任务中的表现更优。

基于深度学习的RAB车险欺诈识别研究

这是一篇关于车险欺诈识别,深度学习,ResNet,注意力机制,BiGRU的论文, 主要内容为随着车险欺诈的不断加剧,车险市场受到了严重的冲击,保险公司的赔付成本也大幅提高,客户的利益受到了极大损害。因此,建立一个可靠的车险欺诈识别模型,能够迅速准确地识别出车险欺诈案件,对于促进汽车保险市场的健康发展至关重要。为了能够有效地检测欺诈案件,本文采用深度学习技术训练不同的模型,对训练后模型的指标进行对比分析,结合残差神经网络(Res Net)、双向门控循环单元(Bi GRU)和注意力机制,提出了RAB车险欺诈识别模型。模型通过Res Net模块从车险欺诈数据中提取数据特征,利用跳跃连接的方式实现了不同卷积层间的信息共享,可以有效解决梯度消失问题;Attention-Bi GRU模块包括注意力机制和Bi GRU两部分,注意力机制可以使模型关注权重高的重要信息,忽略权重低的不相关信息,更好地提取关键信息;Bi GRU可以更好地建立特征序列间的长距离依赖,得到比较全面的特征表达;最后将Res Net模块和Attention-Bi GRU模块相结合,组成RAB车险欺诈识别模型。实验结果表明,RAB车险欺诈识别模型具有较强的车险欺诈识别能力,能够显著地提高车险欺诈识别的准确率,对于识别车险欺诈具有积极意义。本文设计一种车险欺诈识别系统,系统包含用户管理、保单管理和分类识别等主要功能,使用RAB车险欺诈识别模型对保单数据进行预测,达到精确识别车险欺诈案件的目的。

面向电商销量预测的超参自适应神经网络模型研究

这是一篇关于销量预测,LSTM,BiGRU,蚁群算法,Q-Learning算法的论文, 主要内容为随着物流系统及电商平台的愈加完善,越来越多的企业加入电子商务行业,销售系统后台产生大量的用户购买数据,可以使用这些销售数据对商品未来的销售情况提前进行预测,从而提高企业的库存周转率,降低投资成本,进而实现企业收益的最大化。基于传统统计学方法的模型受限于数据周期性的特点导致预测精度不高,而深度学习具有较强的学习能力,可以自动提取数据中的特征,并基于这些特征进行预测,因此常用于时间序列预测问题。但深度学习模型的一些超参数在训练前需要实验者依靠经验设置,直接影响了模型的预测性能。因此基于以上问题,针对电商销量预测问题中模型超参数优化进行了以下研究:(1)提出了一种基于蚁群算法和长短期记忆网络的预测方法(ACO-LSTM)。采用蚁群算法(ACO)对LSTM模型的神经元数量、模型的迭代次数以及学习率这三个超参数进行优化,解决超参数设置不准确而影响模型预测性能的问题。(2)提出了一种基于改进的蚁群算法和双向门控循环神经网络的预测方法(IACO-BiGRU)。由于ACO算法存在收敛速度慢的缺点,本文提出了改进的蚁群优化算法(IACO),对算法中蚂蚁信息素的更新方式进行改进,经过实验验证,改进后的算法能高效地自适应超参寻优过程,进而提升了BiGRU模型的预测性能。(3)提出了一种基于Q-Learning和双向门控循环神经网络的预测方法(QLBiGRU)。虽然改进后的蚁群算法有效地提升了超参寻优效率,但是启发式算法存在易陷入局部最优解的缺点,并且其输出是一个问题的解,当环境发生扰动时,需要从头优化,而强化学习的输出是一个策略,环境发生扰动时不需要重新训练。因此,本文使用Q-Learning算法对BiGRU模型的超参数进行优化,能高效地自动搜索到最优策略,提升了超参寻优效率,进而减小BiGRU模型的预测误差。

基于深度学习的RAB车险欺诈识别研究

基于多特征融合和知识图谱表达的Web API推荐

这是一篇关于Web API推荐,多特征融合,DS证据理论,BiGRU,KG的论文, 主要内容为Web API是一种可供应用程序实现存储、消息、计算等服务功能的应用编程接口。它的好处在于容易被访问、开发、组合和扩展,因此在基于Mashup的服务系统的构建方面起着重要的支撑作用。随着互联网上Web API数量的迅猛增多,开发者面临着如何从众多功能相似的API中挑选最合适的目标以构建Mashup的问题,这为开发者带来了许多挑战。通过构建API的推荐系统则有助于缓解此问题,因此已经有许多基于协同过滤、链接分析和主题模型的工作被提出;但是目前的工作多数仅利用了单一的信息维度或算法模型,缺乏对多维度特征的深入挖掘与应用。为此,本文从多特征挖掘与融合、知识图谱(Knowledge Graph,KG)建模与表达两种视角,各自提出了一种Web API推荐算法,以达到对多维度特征利用增强推荐效果的目的。本文的具体工作如下:从启发式方法入手,基于DS证据理论,提出了一种多特征融合的Web API推荐方法。首先,通过分析API参与Mashup过程的影响因素,将其归纳为文本特征、近邻特征、API相关特征三个证据维度;采用数据融合算子融合各个证据维度的子特征;采用香农熵量化每个证据维度的权重;最后,基于三个维度证据,以评估API和Mashup的需求之间的相关性,从而实现API推荐。通过实验分析证明,即使采用非机器学习的推荐方法也可以获得满意的推荐结果。从机器学习的方法入手,基于知识图谱建模与表达,提出了嵌入语义表示增强的Web API推荐方法。首先根据API和Mashup的之间的关系,如推荐、被推荐、标签、属性等关系,提取关系三元组,构建知识图谱;使用知识图谱知识表示学习Trans系列算法以获得API和Mashup的浅层的向量表达;为了增强图谱表达学习的效果,又构建了以双向GRU神经网络(Bidirectional Gated Recurrent Unit,BiGRU)和注意力机制(Attention Mechanism,Attention)为基础的文本编码模块,以获得Mashup和API的深度向量表示。本文将文本编码模块与Trans系列算法联立,进行交替训练,实现深层和浅层的协同表达学习。最后用余弦相似度量化目标Mashup和候选API的相关性,以实现API推荐。实验表明此方法能够获得较好的推荐效果。

基于深度学习的RAB车险欺诈识别研究

基于深度学习的租房问答系统的研究与实现

这是一篇关于租房问答系统,CNN,问句意图分类,中文命名实体,BERT,BiGRU,注意力机制,CRF的论文, 主要内容为随着大数据时代的到来,信息爆炸和信息过载的问题逐渐明显,搜索引擎只能返回与人们需求相关的一系列网页,已经无法满足用户需要。在此背景下,问答系统的提出弥补了搜索引擎的缺陷,问答系统让用户以自然语言的方式提出问题,紧接着系统返回给用户准确、简洁的答案。近年来越来越多的研究人员尝试使用深度学习的方法完成问答领域的关键任务,并得到了较好的效果。因此,基于深度学习的问答系统逐渐成为国内外研究中自然语言处理领域最热门的研究方向之一。本文结合深度学习算法对用户自然语言进行理解,构建了一种基于CNN的租房领域问句意图识别模型(QIRCNN),以及一种基于BERT-Bi GRU-Attention-CRF的中文命名实体识别模型,并基于本文模型实现了一个基于租房领域知识库的问答系统。本文具体内容如下:本文首先介绍了本课题的研究背景与意义、国内外研究现状以及本论文的研究内容及章节安排。然后,简要介绍了本课题所需的相关理论与技术基础。接着,本文研究了基于深度学习的领域问答系统中的问句理解部分。在问句意图识别方面,本文将问句意图识别问题看成问句的多分类问题,在研究基于卷积神经网络的文本分类方法的基础上,将该方法用于识别租房领域问句的意图,构建了一种基于CNN的租房领域问句意图识别模型,并通过对比实验证明了所提模型的有效性。在命名实体的识别方面,本文将非限定值关键信息的提取问题看成命名实体识别问题,提出了一种新的命名实体识别模型,即BERT-Bi GRU-Attention-CRF模型。该模型使用经典Bi LSTM-CRF实体识别模型作为基础模型,用Bi GRU替换Bi LSTM使得参数更少,结构更简单,收敛性更好;采用预训练语言模型BERT训练中文词向量,能够较完整地保存文本语义信息,较好地解决了命名实体一词多义问题;使用Attention机制挖掘文本序列之间的潜在特征,对语义信息的利用更为充分。实验结果表明,本文的BERT-Bi GRU-Attention-CRF模型具有较高的识别准确率。之后,利用本文研究的深度学习模型,本文设计并实现了一个基于知识库的租房领域问答系统。分析了系统需求、设计了系统总体架构、功能模块和数据库表,整个系统包括知识图谱建立、意图识别、关键信息提取、问句转换和答案检索等模块,利用Python、XPath、Sparql等编码实现了本系统,并展示了系统运行的效果。最后,总结了全文并展望了进一步的研究工作。

基于神经网络的数学命名实体识别方法研究

这是一篇关于数学命名实体,神经网络,BiGRU,自注意力机制,IDCNN,特征提取,条件随机场的论文, 主要内容为命名实体识别是自然语言处理技术中重要的一项基础任务,对于数学领域的命名实体识别,是构建数学领域知识图谱,实现数学知识智能应用的关键技术之一。数学文本因为内容专业性及结构多样性的特点,使其在命名实体识别过程中面临更多的挑战,因而当前专门针对数学领域知识的命名实体识别研究尚少。通过调研发现,当前结合双向长短期记忆网络和条件随机场(Bi-directional Long Short-term Memory with Conditional Random Field,BiLSTM-CRF)的命名实体识别方法具有较好的应用前景,但该方法在实现过程中,由于BiLSTM神经网络结构复杂,导致计算代价过高,并且仅采用一种神经网络结合CRF的方法无法充分挖掘文本的特征,导致特征提取精度不够,识别准确度不高,难以适用数学领域知识的命名实体识别应用。因此,本文基于这些问题,展开了如下研究:(1)在BiLSTM-CRF模型基础上,采用双向门控循环单元(Bi-directional Gated Recurrent Unit,BiGRU)代替BiLSTM神经网络,同时引入自注意力机制(Self-attention Mechanism,ATT),提出一种基于BiGRU-ATT-CRF模型的数学命名实体识别方法。相比BiLSTM-CRF模型,该方法有以下优点:BiGRU神经网络结构简单,能降低运算复杂度,并有效利用上下文信息,很好地提取全局特征;引入自注意力机制,可以提高对数学文本中依赖性特征的提取效率。实验结果表明,基于BiGRU-ATT-CRF的数学命名实体识别模型的识别效果优于对比模型,其准确率、召回率和F1值分别为93.05%、93.30%和93.17%。(2)在上述BiGRU-ATT-CRF模型研究基础上,针对BiGRU神经网络在数学命名实体识别过程中出现忽略部分局部特征的问题,通过结合迭代扩张卷积神经网络(Iterated Dilated Convolutional Neural Network,IDCNN)对模型进行改进,提出一种融合局部特征的数学命名实体识别方法,其核心是IDCNN-BiGRU-ATT-CRF模型的构造。该模型将IDCNN提取到的局部信息与BiGRU神经网络的输出特征进行融合,再运用自注意力机制对提取到的融合特征进行权重分配,强化关键特征,最后利用CRF学习标注的约束条件,生成最优标注序列。通过结合IDCNN、BiGRU以及自注意力机制三种神经网络,实现对数学文本中上下文信息的局部特征、全局特征以及重点特征的优势融合,以进一步加强特征的提取能力,从而提高数学命名实体识别的准确性。实验结果表明,改进的数学命名实体识别模型在上一方法基础上准确率、召回率和F1值分别提升了1.06%、0.97%和1.02%,可以推断,融合局部特征的方法能准确有效地识别出数学命名实体。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈，原文地址：https://m.bishedaima.com/lunwen/47912.html