基于词嵌入的本体对齐研究
这是一篇关于本体对齐,语义相似度,词嵌入,知识图谱嵌入的论文, 主要内容为计算机网络的迅速发展导致数据产生爆炸式的增长,知识图谱为这些网络上异构、海量、动态数据的表示、组织、管理和利用提供了一种高效的方式,提高了网络的智能化水平。本体是从客观世界中抽象出来的概念模型,包含概念以及概念之间的关系,是对知识的抽象和对某个领域之中的概念及其之间关系的形式化表达。构建本体的目的是描述领域知识,领域中存在的并行本体开发现象提出了本体对齐的需求。本体对齐以本体作为输入,以对齐结果作为输出,确定不同本体中语义相关的实体之间的对应关系,是语义网互操作性的关键促成因素。随着表示学习技术在自然语言处理领域的发展与成熟,专家学者开始尝试将其应用于本体对齐问题。与原有的特征提取方法相比,表示学习技术存在一定优势,使用大量相关语料预训练得到的词嵌入能够表示单词内在的语义信息,识别字面表示不同而语义相同的单词。但是由于词嵌入的生成依靠单词的上下文,这导致词嵌入存在无法准确区分语义相似性与描述相关性。为了解决这一问题,本文结合本体对齐的具体任务,使用SCBOW模型和Knowledge distillation模型对词嵌入进行改进,利用改进后的词嵌入获取实体嵌入,从而计算两个实体的相似度,获取候选实体对。考虑到使用词嵌入完成本体对齐任务只利用了实体的语义信息,而本体是由实体按层级关系组织成的网络,包含丰富的结构信息。本文利用MTrans E模型对两个本体进行嵌入和本体空间映射,得到实体的结构嵌入,进一步使用本体的结构嵌入计算实体对的相似度,获取最终对齐结果。实验表明改进词嵌入和加入实体的结构嵌入,均在一定程度上提高了概念实体相似度计算的正确率。
基于网络嵌入的农产品销售途径推荐系统的研究与实现
这是一篇关于农产品销售,推荐系统,词嵌入,网络表示学习,社交网络的论文, 主要内容为作为我国主力军的产业,农业至今依然蓬勃发展,支撑着国家的经济建设,在生产总值中占有很大的比重。现今互联网技术与科技发展为市场带来电商经济这种别开生面的交易方式,为传统农产品贸易创造新契机的同时也带来了挑战。由于果蔬农产品销售受地域和时间限制的特点,加之电商平台大量相关信息容易对用户构成信息过载,一定程度上影响了农产品行业的发展。因此,对农产品销售场景下推荐系统的研究具有很大的价值和发展空间。而截至目前,农产品相关的推荐工作主要集中在以买家为目标的商品推荐上,鲜少有以卖家为目标用户,根据其预售农产品为之提供销售途径推荐的系统。本文围绕预售农产品的果农菜农用户,利用词嵌入技术与网络表示学习方法,设计一个包括推荐适合的销售地、销售商以及潜在买家的农产品销售途径推荐系统。本文具体内容如下:(1)为实现预售果蔬产品销售地与销售商推荐,本文根据农产品的销售特征,研究多种词嵌入的方法并加以相关改进,提出面向农产品的全局词向量表示方法(Global Word Vector Representation for Agricultural Products,AP-GloVe)。该方法所生成隐含语义的词向量不仅利用词对共现矩阵保留全局共现信息,还通过滑动窗口捕捉局部上下文信息。另外,本文根据农产品销售背景下的AP-GloVe方法构建了中国县级及以上行政区划的地名语料库(Administrative Division Corpus,ADCorpus)与果蔬品种语料库(Fruits and Vegetables Corpus,FV-Corpus)。经验证,AP-GloVe在词相似性实验中发挥出稳定的效果。(2)为实现预售果蔬产品潜在买家推荐,本文根据对社交网络的研究,引入一个能描述节点拓扑结构与基础影响力的综合影响力矩阵,并结合多头自注意力机制,提出一个基于影响力的图神经网络模型(Influence-Aware Graph Neural Networks,IAGNN),在完成社交网络上节点的嵌入表示时保留节点影响力和节点间拓扑结构信息。在节点分类和链路预测任务中,IAGNN模型与多个现有算法相比准确率有所提升。(3)在AP-GloVe方法与IAGNN模型的研究基础上,本文实现一个面向果农菜农的农产品销售途径推荐系统。该系统具备查询市场均价、销售途径推荐以及生成溯源码的功能。其中利用AP-GloVe方法所生成词向量实现销售地推荐;借助销售地推荐结果与销售商特征完成销售商推荐;通过IAGNN模型在社交网络中训练节点嵌入向量来实现潜在买家推荐。该系统功能齐全,具有良好的性能与交互性。
基于深度学习的法律类案推荐服务系统的研究与实现
这是一篇关于司法智能,推荐系统,深度学习,词嵌入的论文, 主要内容为人工智能技术与司法领域的深度融合,使得司法智能化得到了不断的发展。司法智能不仅能辅助司法从业人员提升其工作效率,而且能更好地服务于大众,并推进司法便民化。类案推荐作为司法智能化的主要基础任务之一,其能够在一定程度上辅助量刑决策、规范裁判标准。随着大数据时代的到来,法律数据也越来越公开化、透明化,构建一个法律类案推荐服务平台,能够进一步推进司法智能化和便民化。本文结合了自然语言处理技术、推荐策略以及深度学习,研究并实现了一个类案推荐推荐服务系统。首先对自然语言处理的相关技术进行了研究和分析,采用基于规则的信息抽取方法和词嵌入等自然语言处理技术对裁判文书数据进行数据分割和特征表示。然后,根据法律文书的特点和推荐方法的优缺点,采用基于内容的推荐方法搭建类案推荐系统。为了进一步提升推荐结果的准确性,更好的利用文书的语义信息,提出了基于深度学习训练分类器,根据案情描述对文书进行分类,在10万多条真实法律文书数据上进行Word2vecCNN、FastTextCNN、Word2vecLSTM三个模型的分类实验对比,并结合案情分类模型进行了类案推荐的实验,实验结果表明Word2vecCNN对法律判决文书的案情分类效果最好,融合案情分类模型的类案推荐结果相较于仅使用案情描述推荐的方法提升了推荐效果。最后,本文从应用的角度出发,设计与实现了一个法律类案推荐服务系统,其主要功能是通过案情描述完成类案推荐和案件分类,且通过法律裁判文书格式化分割显示文书的各个法律要素内容。
基于网络嵌入的农产品销售途径推荐系统的研究与实现
这是一篇关于农产品销售,推荐系统,词嵌入,网络表示学习,社交网络的论文, 主要内容为作为我国主力军的产业,农业至今依然蓬勃发展,支撑着国家的经济建设,在生产总值中占有很大的比重。现今互联网技术与科技发展为市场带来电商经济这种别开生面的交易方式,为传统农产品贸易创造新契机的同时也带来了挑战。由于果蔬农产品销售受地域和时间限制的特点,加之电商平台大量相关信息容易对用户构成信息过载,一定程度上影响了农产品行业的发展。因此,对农产品销售场景下推荐系统的研究具有很大的价值和发展空间。而截至目前,农产品相关的推荐工作主要集中在以买家为目标的商品推荐上,鲜少有以卖家为目标用户,根据其预售农产品为之提供销售途径推荐的系统。本文围绕预售农产品的果农菜农用户,利用词嵌入技术与网络表示学习方法,设计一个包括推荐适合的销售地、销售商以及潜在买家的农产品销售途径推荐系统。本文具体内容如下:(1)为实现预售果蔬产品销售地与销售商推荐,本文根据农产品的销售特征,研究多种词嵌入的方法并加以相关改进,提出面向农产品的全局词向量表示方法(Global Word Vector Representation for Agricultural Products,AP-GloVe)。该方法所生成隐含语义的词向量不仅利用词对共现矩阵保留全局共现信息,还通过滑动窗口捕捉局部上下文信息。另外,本文根据农产品销售背景下的AP-GloVe方法构建了中国县级及以上行政区划的地名语料库(Administrative Division Corpus,ADCorpus)与果蔬品种语料库(Fruits and Vegetables Corpus,FV-Corpus)。经验证,AP-GloVe在词相似性实验中发挥出稳定的效果。(2)为实现预售果蔬产品潜在买家推荐,本文根据对社交网络的研究,引入一个能描述节点拓扑结构与基础影响力的综合影响力矩阵,并结合多头自注意力机制,提出一个基于影响力的图神经网络模型(Influence-Aware Graph Neural Networks,IAGNN),在完成社交网络上节点的嵌入表示时保留节点影响力和节点间拓扑结构信息。在节点分类和链路预测任务中,IAGNN模型与多个现有算法相比准确率有所提升。(3)在AP-GloVe方法与IAGNN模型的研究基础上,本文实现一个面向果农菜农的农产品销售途径推荐系统。该系统具备查询市场均价、销售途径推荐以及生成溯源码的功能。其中利用AP-GloVe方法所生成词向量实现销售地推荐;借助销售地推荐结果与销售商特征完成销售商推荐;通过IAGNN模型在社交网络中训练节点嵌入向量来实现潜在买家推荐。该系统功能齐全,具有良好的性能与交互性。
基于关键词扩展的新闻推荐系统研究
这是一篇关于词嵌入,Word2Vec,关键词扩展,个性化推荐的论文, 主要内容为互联网和大数据的快速发展,使得人们越来越依赖于网络获取信息,新闻作为人们获取信息的重要媒介,越来越受到用户的青睐,如何在海量信息中发掘用户感兴趣的新闻成为一个研究热点问题。本文从基本的文本分类入手用以提升用户阅读新闻的体验。由于新闻文本内容较短,传统文本处理方法针对新闻文本分析时往往造成语义信息缺失,这成为制约提升短文本分类性能的瓶颈之一。本文采用外部语料库训练Word2Vec模型,基于外部语义信息扩展传统关键词提取算法所提取的关键词,并根据不同扩展方式研究了基于外部语义信息扩展短文本关键词的可行性,最后结合最近邻分类算法(K-Nearest Neighbor,KNN),综合提出了一种基于关键词扩展的短文本分类算法(Classification Algorithm based on Keyword Extension-K-Nearest Neighbor,CAKE-KNN),最后,在实验数据集上验证了本文所提方法在新闻短文本分类任务上兼顾精度和效率,接近于当今主流文本分类算法。进一步,本文设计了一种基于关键词扩展的新闻推荐系统(Recommendation Systems based on Keyword Expansion,KERS),在分析用户新闻阅读行为和洞察新闻传播特点的基础上,提出了用户兴趣程度星级评定方式和评论违规内容(广告、黄色、暴力、反动言论等)过滤方式,结合所提文本分类算法,制定了本文的推荐策略,对其中的主要参数进行了实验确定,和其它推荐系统的对比实验结果表明本文所提的推荐策略能够在一定程度上胜任用户个性化新闻推荐任务,并缓解冷启动问题。
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：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/48032.html
