基于深度学习的资源实体及其关系联合抽取方法研究
这是一篇关于反馈机制,联合抽取,深度学习,实体识别,关系抽取的论文, 主要内容为资源命名实体识别和实体关系抽取是对资源描述文本进行语义信息理解的重要基础,基于实体和关系可以构建出资源库和资源知识图谱,对资源的深入研究和充分利用具有重要的意义。当前实体识别和关系抽取通常采取基于统计或者基于人工神经网络的模型,目前研究都多是将这两个过程看成分别独立的模型,按顺序依次完成两个过程,由于两个模块有着相似的底层数据处理过程,因此这种方式易造成数据重复预处理,同时也存在错误传播的问题,实体识别阶段出现的错误实体会继续传递到关系抽取模块,影响实体关系的确定。针对当前问题现状,做了以下工作和创新:(1)为克服对人工特征的过多依赖,本文构建了基于深度学习和规则联合的资源实体及关系识别模型,通过基于Bi-LSTM的循环神经网络提取上下文特征,然后利用CRF完成实体识别,构建CNN模型完成关系抽取;由于规则匹配的方式有较高的精确率,本文将深度学习模型和规则模型优势互补,通过制定少量规则对深度学习模型识别结果进行补充和校验,以此提升精确率。(2)提出引入互反馈机制的混合神经网络模型来完成实体及其关系的联合抽取,一是实现两个模块共用相同的词向量转化和上下文特征提取过程,避免重复数据预处理过程,二是实现实体关系抽取对实体识别的反馈校验,以互反馈机制增强两个模型的关联性,抑制两个阶段的错误传播,提升整体识别性能;(3)定义了资源知识的表示结构,提出资源知识集构建算法,由此算法将抽取到的实体及关系生成便于存储和管理的资源知识集。将本文提出的算法应用在实体数据集上进行实验,在同等硬件和软件环境下,本文提出的方法可以缩短模型训练时间,实体及关系抽取的精确率、召回率、F1值均有提升,联合抽取的F1值整体提升3.91%,实体识别子模块F1平均提升1.34%,关系抽取精确率可以达到75.02%,F1值提升5.79%,对实体关系抽取的效果提升明显。实验结果表明联合抽取模型可以实现两个子模块的合并来降低数据处理时间和错误数据的传递,互反馈的机制可以提升整体识别效果。
基于深度学习的资源实体及其关系联合抽取方法研究
这是一篇关于反馈机制,联合抽取,深度学习,实体识别,关系抽取的论文, 主要内容为资源命名实体识别和实体关系抽取是对资源描述文本进行语义信息理解的重要基础,基于实体和关系可以构建出资源库和资源知识图谱,对资源的深入研究和充分利用具有重要的意义。当前实体识别和关系抽取通常采取基于统计或者基于人工神经网络的模型,目前研究都多是将这两个过程看成分别独立的模型,按顺序依次完成两个过程,由于两个模块有着相似的底层数据处理过程,因此这种方式易造成数据重复预处理,同时也存在错误传播的问题,实体识别阶段出现的错误实体会继续传递到关系抽取模块,影响实体关系的确定。针对当前问题现状,做了以下工作和创新:(1)为克服对人工特征的过多依赖,本文构建了基于深度学习和规则联合的资源实体及关系识别模型,通过基于Bi-LSTM的循环神经网络提取上下文特征,然后利用CRF完成实体识别,构建CNN模型完成关系抽取;由于规则匹配的方式有较高的精确率,本文将深度学习模型和规则模型优势互补,通过制定少量规则对深度学习模型识别结果进行补充和校验,以此提升精确率。(2)提出引入互反馈机制的混合神经网络模型来完成实体及其关系的联合抽取,一是实现两个模块共用相同的词向量转化和上下文特征提取过程,避免重复数据预处理过程,二是实现实体关系抽取对实体识别的反馈校验,以互反馈机制增强两个模型的关联性,抑制两个阶段的错误传播,提升整体识别性能;(3)定义了资源知识的表示结构,提出资源知识集构建算法,由此算法将抽取到的实体及关系生成便于存储和管理的资源知识集。将本文提出的算法应用在实体数据集上进行实验,在同等硬件和软件环境下,本文提出的方法可以缩短模型训练时间,实体及关系抽取的精确率、召回率、F1值均有提升,联合抽取的F1值整体提升3.91%,实体识别子模块F1平均提升1.34%,关系抽取精确率可以达到75.02%,F1值提升5.79%,对实体关系抽取的效果提升明显。实验结果表明联合抽取模型可以实现两个子模块的合并来降低数据处理时间和错误数据的传递,互反馈的机制可以提升整体识别效果。
在线订餐系统的设计与实现
这是一篇关于在线订餐系统,Java Web,反馈机制,SQL Server,个性化推荐的论文, 主要内容为进入21世纪,互联网技术的发展日新月异,网络渗透到社会生活经济的各个领域,人们的生活因此发生翻天覆地的变化。网络购物等网络消费成为了新的社会潮流,在这样的大环境下,在线订餐也成为了一种新的订餐消费方式。目前,良好的营销渠道对于一个商家来说十分的重要,在线订餐系统就构建了一个方便商家在线营销,方便消费者在线消费的生态系统。本文在充分研究商铺和顾客的需求的基础上,分析了国内外关于在线订餐系统的现状,研究了目前网络在线订餐系统的优势特点和不足,采用面向对象设计思想的J2EE技术实现了基于SQLServer2000的在线订餐系统。对于顾客来说,该系统主要提供的是浏览菜品信息、搜索菜品、创建订单、确定订单和设置个性化推荐等功能。对于商铺而言,系统主要提供的是发布菜品、更新菜品、管理菜品和个性化推荐菜品等功能,并且系统还集成反馈机制,商铺能够获得消费者的评价个建议。此外还有系统管理员,主要负责整个系统的运行监测和更新还包括审核商铺和顾客的注册信息。在本文中通过对顾客、商铺和系统管理员三种不同用户设置不同的权限,来完成各个用户不同功能的分配,从而实现整个系统的合理稳定运行。在对系统进行可行性研究和详细设计的基础上,还深入分析实现系统所需要的相关技术和工具。将Struts与JSP技术应用到在线订餐系统中,运行Web Service服务和SQL Server 2000进行数据库连接和管理,解决数据的存取控制问题。系统设计过程中,也充分考虑数据的安全性,并及时进行数据备份,确保数据信息和系统的安全运行。设置不同的登录用户权限和应用关联数据库本身具有的安全操作两种方式,使整个系统的安全性极大提高。本系统是在当今互联网大发展的潮流下,进行需求分析、技术革新,改变单一的以一个商铺为主体的推广方式,整合了多加店铺提供优质的菜品来吸引更多地顾客参与到这个生态系统。这种方式给商铺构建了一个良好的推广产品的渠道,并且在不扩大商铺实体经营场所的前提下提高商铺的营业额,为商铺创造利润。系统应用了目前流行的网络在线支付方式来进行支付,顾客仅仅需要在电脑上或者是使用手机上就可以支付完成交易。这在很大程度上节约顾客的时间,提高了交易效率。在系统中还应用了反馈机制,顾客在确定订单时候就可以给商家进行评价,并且还可以就商铺违反交易规定的行为进行投诉,从而减少了违法行为,保证消费者的权益。
国家开发银行督办协调管理系统的设计与实现
这是一篇关于督办协调,SSH框架,MVC结构,反馈机制,国家开发银行的论文, 主要内容为随着银行业务和软件技术的快速发展,为督办协调管理系统的发展带来了新的机遇和挑战。国家开发银行在督办协调管理过程中出现了作业流程不规范、人工错误多、督办协调管理效率低下等问题。国家开发银行需要开发一套能够满足现阶段督办协调管理的信息系统。从信息技术面,为银行的督办协调管理工作制定科学管理机制,通过系统优化督办协调管理业务流程,提高督办协调管理水平。在完成国家开发银行督办协调管理系统国内外发展现状的分析后,得出了系统的研究目标和研究方向。对银行现有督办协调管理流程进行调研后,分析和研究能够提升督办协调管理效率的各项需求,转换成督办协调管理系统的功能需求,同时对系统非功能需求进行收集和分析。设计和开发人员结合系统需求和软件技术现况,采用Java语言、IDEA工具、SSH框架、MVC结构、Mysql数据库作为系统设计和开发技术。在确定系统设计原则后,对督办协调管理系统总体设计方案进行了介绍,通过数据库E-R图、数据表结构设计对系统数据库设计过程进行分析,通过UML类图、顺序图对系统功能模块详细设计过程进行说明。为提高国家开发银行督办协调管理系统可靠性和稳定性,测试人员对系统进行了功能测试和性能测试。通过国家开发银行督办协调管理系统建立了督办协调管理和全流程动态跟踪反馈机制,解决了督办主办单位与上下游业务关联度不强的问题,解决了督办协调管理人工干预程度高,作业不规范的问题,系统实现督办来源全覆盖和闭环管理,实时督办事项后续业务办理情况的跟踪。国家开发银行督办协调管理系统已在银行成功上线使用,系统包括督办协调、沟通协作、其它工作协作、综合服务、系统管理五大功能模块,系统功能强大和性能卓越,能够很好满足银行督办协调管理需求。通过督办协调管理系统的应用,实现了银行督办协调管理信息化,提高了督办立项分办水平,提高了银行督办跟踪、提醒效率,有效降低银行的督办协调管理风险和管理成本。
基于深度卷积神经网络的图像隐写分析和被隐藏信息重构研究
这是一篇关于图像隐写分析,反馈机制,聚集增强滤波器,通道卷积神经网络,图像重建的论文, 主要内容为图像隐写分析是检测图像中是否存在隐藏信息的过程,现有的图像隐写分析方法即使成功地检测到隐藏信息的存在,也无法完全提取隐藏的信息,从而导致检测性能差或无法重建隐藏信息。深度学习隐写分析算法基于大量数据训练能够获得更好的检测性能和更优的泛化能力,非常适用于现实场景下的实际应用。本文研究基于深度学习的图像隐写分析算法在进行分类检测的同时,还将隐写图像(Stego)中的隐写信息进行提取重建,主要研究成果如下:(1)基于空间富模型和Gabor滤波残差网络(Steganalysis rich model and Gabor residual network,SG-Res Net)的图像隐写分析算法。目前,针对深度学习彩色图像隐藏算法的隐写分析方案较少,因此本文提出了一种基于生成式隐写分析富模型和Gabor残差网络的图像隐写分析算法,该算法能够实现隐藏信息的分类和初步提取与重建。首先,将数据输入到富模型卷积层中,以关注隐写区域的残差特征并抑制图像本身的背景内容。二维Gabor滤波核卷积可以学习残差图像中像素之间的许多不同类型的依赖关系,使得网络能提取足够的统计属性来准确地检测秘密信息。通过这种方式,在保证网络收敛和输出分类结果正确的条件下最小化高通滤波的负面影响。同样地,重建网络也是基于SG-Res Net来从Stego图像中重建被隐藏的秘密图像。重建网络包括通道分离的富模型(Steganalysis rich model,SRM)卷积层,普通卷积层和Pixel Shuffle残差层,通过这些结构的逐次提取重建秘密图像。大量实验表明,SG-Res Net在低隐写嵌入率下依然具有良好的性能。(2)基于深度聚焦反馈残差的生成式隐写分析网络(Generative focused feedback residual network,FFR-Net)。针对被隐藏信息的高分辨率提取重建问题,本文还提出了一种基于聚焦反馈残差卷积神经网络的生成式图像隐写分析算法,用于同时检测和提取隐藏信息。首先,由几个卷积层和两个新的聚焦模块(FOCUS)组成的预处理网络处理可能的Stego图像,并输出增强的特征图。然后,提取增强特征图中的Stego残差信息并输入到分类网络和重建网络中以提高低级语义信息中隐写残差信息的敏感度,使得在增大隐写区域感受野的同时可以捕获多层次的特征,提高检测精度。分类网络识别特征图是来自Stego图像还是来自无信息隐藏的简单的封面图像,然后输出分类检测的结果。重建网络由普通的卷积单元、Pixel Shuffle和多级联反馈残差模块组成,完成隐藏信息的提取重建。实验结果表明,与经典的富模型和几种最近的基于深度学习的方法相比,所提出的FFR-Net在检测的准确率和隐藏信息提取重建方面获得了最先进的结果。
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：毕设小屋 ，原文地址：https://m.bishedaima.com/lunwen/52920.html
