葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

成果描述：多屬性文本自適應(yīng)系 統(tǒng)主要實(shí)現(xiàn)對(duì)每個(gè)未 知屬性的通信實(shí)體進(jìn) 行屬性標(biāo)注的功能。 主要分為兩個(gè)過(guò)程， 即訓(xùn)練過(guò)程和預(yù)測(cè)過(guò) 程。 在訓(xùn)練過(guò)程中，系統(tǒng) 根據(jù)用戶(hù)提供的已經(jīng) 具有屬性的數(shù)據(jù)集、 用戶(hù)選擇的分類(lèi)算法 所對(duì)應(yīng)的參數(shù)進(jìn)行訓(xùn) 練，得到訓(xùn)練模型。 在預(yù)測(cè)過(guò)程中，系統(tǒng) 根據(jù)用戶(hù)選擇的訓(xùn)練 模型對(duì)未知屬性的數(shù) 據(jù)集中的每個(gè)實(shí)體進(jìn) 行屬性標(biāo)注，并得到 標(biāo)注過(guò)屬性的數(shù)據(jù)集 。（注：在訓(xùn)練過(guò)程 中，用戶(hù)可以使用在 訓(xùn)練數(shù)據(jù)集上進(jìn)行交 叉驗(yàn)證的方法獲得在 固定參數(shù)和分類(lèi)算法 下模型對(duì)未知樣本預(yù) 測(cè)的性能的大致估計(jì) 。）市場(chǎng)前景分析：隨著互聯(lián)網(wǎng)的迅速發(fā) 展，Web頁(yè)面上的信 息量呈指數(shù)級(jí)急劇增 長(zhǎng)，如何快速、準(zhǔn)確 地從海量數(shù)據(jù)中抽取 出用戶(hù)真正需要的信 息已經(jīng)成為互聯(lián)網(wǎng)對(duì) 科研工作者提出的嚴(yán) 峻挑戰(zhàn)。 屬性標(biāo)注能夠?qū)⒕W(wǎng)頁(yè) 非結(jié)構(gòu)化文本內(nèi)容轉(zhuǎn) 化為結(jié)構(gòu)化的屬性數(shù) 據(jù)，方便用戶(hù)查詢(xún)和 進(jìn)一步分析使用；其 作為信息抽取的關(guān)鍵 一步，對(duì)提高信息抽 取的性能方面也具有 重要意義。與同類(lèi)成果相比的優(yōu)勢(shì)分析：包括訓(xùn)練和預(yù)測(cè)兩個(gè) 過(guò)程，實(shí)現(xiàn)對(duì)不同數(shù) 據(jù)集的自適應(yīng)性屬性 標(biāo)注； 特征選擇功能，可以 在訓(xùn)練模型時(shí)，選擇 出對(duì)區(qū)分?jǐn)?shù)據(jù)類(lèi)別更 有用的特征詞，這樣 ，可以降低實(shí)體所對(duì) 應(yīng)屬性的維度，從而 ，減少占用的內(nèi)容空 間，提高計(jì)算效率； 交叉驗(yàn)證功能，幫助 我們?cè)谟?xùn)練階段，就 可以了解參數(shù)和算法 的選擇，對(duì)屬性標(biāo)注 時(shí)準(zhǔn)確性的影響； 生成報(bào)告功能，可以 在訓(xùn)練階段的交叉驗(yàn) 證結(jié)束后，產(chǎn)生一個(gè) 訓(xùn)練階段的報(bào)告，幫 助用戶(hù)更好地記錄實(shí) 驗(yàn)數(shù)據(jù)、參數(shù)、時(shí)間 和準(zhǔn)確性等信息； 評(píng)估功能，比較模型 標(biāo)注結(jié)果與樣本真實(shí) 標(biāo)簽的一致性、差異 性，以評(píng)價(jià)一個(gè)模型 的好壞。

多屬性文本自適應(yīng)系統(tǒng)主要實(shí)現(xiàn)對(duì)每個(gè)未知屬性的通信實(shí)體進(jìn)行屬性標(biāo)注的功能。 主要分為兩個(gè)過(guò)程， 即訓(xùn)練過(guò)程和預(yù)測(cè)過(guò) 程。 在訓(xùn)練過(guò)程中，系統(tǒng) 根據(jù)用戶(hù)提供的已經(jīng) 具有屬性的數(shù)據(jù)集、 用戶(hù)選擇的分類(lèi)算法 所對(duì)應(yīng)的參數(shù)進(jìn)行訓(xùn) 練，得到訓(xùn)練模型。 在預(yù)測(cè)過(guò)程中，系統(tǒng) 根據(jù)用戶(hù)選擇的訓(xùn)練 模型對(duì)未知屬性的數(shù) 據(jù)集中的每個(gè)實(shí)體進(jìn) 行屬性標(biāo)注，并得到 標(biāo)注過(guò)屬性的數(shù)據(jù)集 。（注：在訓(xùn)練過(guò)程 中，用戶(hù)可以使用在 訓(xùn)練數(shù)據(jù)集上進(jìn)行交 叉驗(yàn)證的方法獲得在 固定參數(shù)和分類(lèi)算法 下模型對(duì)未知樣本預(yù) 測(cè)的性能的大致估計(jì) 。）

一、項(xiàng)目進(jìn)展 創(chuàng)意計(jì)劃階段 二、負(fù)責(zé)人及成員 姓名 學(xué)院/所學(xué)專(zhuān)業(yè) 入學(xué)/畢業(yè)時(shí)間 學(xué)號(hào) 陳泳岐 計(jì)科院/計(jì)算機(jī)科學(xué)與技術(shù) 2019.9/2023.6 201931061097 三、指導(dǎo)教師 姓名 學(xué)院/所學(xué)專(zhuān)業(yè) 職務(wù)/職稱(chēng) 研究方向 楊云 計(jì)科院/軟件工程 講師 數(shù)據(jù)庫(kù)應(yīng)用 四、項(xiàng)目簡(jiǎn)介 本次研究主要是在“智慧政務(wù)”等網(wǎng)絡(luò)留言平臺(tái)的基礎(chǔ)之上對(duì)大量留言數(shù)據(jù)進(jìn)行分類(lèi)、提取熱度并對(duì)留言的回復(fù)情況進(jìn)行質(zhì)量評(píng)價(jià)，構(gòu)建出基于機(jī)器學(xué)習(xí)的自然語(yǔ)言處理平臺(tái)的一系列算法實(shí)現(xiàn)。主要包括三種算法，分別對(duì)應(yīng)于政務(wù)留言中的三個(gè)痛點(diǎn)問(wèn)題。留言分類(lèi)算法主要是用來(lái)將不同留言進(jìn)行分類(lèi)和標(biāo)簽，再分別發(fā)送到對(duì)應(yīng)部門(mén)，問(wèn)題處理之后，留言回復(fù)質(zhì)量評(píng)價(jià)算法將官方人員的回復(fù)質(zhì)量進(jìn)行采集與評(píng)價(jià)，判斷單位人員對(duì)留言的處理情況。留言熱點(diǎn)計(jì)算算法能夠抽取每個(gè)留言的主題并生成相應(yīng)的關(guān)鍵詞展示給政務(wù)人員。

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，提供一種文本分類(lèi)方法與設(shè)備，所述方法包括：S1，利用基于關(guān)鍵詞庫(kù)擴(kuò)充的特征選擇規(guī)則，確定各目標(biāo)文本的特征詞集合；S2，利用基于特征詞類(lèi)內(nèi)均勻度和特征詞類(lèi)間區(qū)分度的權(quán)重計(jì)算公式，計(jì)算所述特征詞集合中各特征詞的權(quán)重；S3，利用最大權(quán)重融合算法，對(duì)同一目標(biāo)文本的特征詞在不同文本類(lèi)別中的權(quán)重進(jìn)行權(quán)重融合運(yùn)算，構(gòu)建目標(biāo)文本特征向量；S4，基于所述目標(biāo)文本特征向量，利用多標(biāo)記分類(lèi)模型對(duì)所述目標(biāo)文本進(jìn)行分類(lèi)。本發(fā)明提供的一種文本分類(lèi)方法與設(shè)備，能夠有效提高文本信息表達(dá)的準(zhǔn)確性、提高模型構(gòu)建的效率，確保準(zhǔn)確高效地對(duì)文本信息進(jìn)行多標(biāo)記分類(lèi)。

成果描述：互聯(lián)網(wǎng)文本內(nèi)容主題 概念漂移檢測(cè)系統(tǒng)， 通過(guò)分析數(shù)據(jù)集中的 所有文檔數(shù)據(jù)的潛在 語(yǔ)義關(guān)系，提取出它 們之間的潛在語(yǔ)義主 題標(biāo)示，通過(guò)評(píng)估參 數(shù)的方法，將生成的 主題時(shí)序關(guān)系用數(shù)據(jù) 的形式表示出來(lái)，并 以此為依據(jù)主動(dòng)發(fā)現(xiàn) 待預(yù)測(cè)數(shù)據(jù)集中主題 的轉(zhuǎn)變與轉(zhuǎn)化現(xiàn)象， 并提供給用戶(hù)這一主 題轉(zhuǎn)移過(guò)程。市場(chǎng)前景分析：點(diǎn)?；谶@些特點(diǎn)， 流數(shù)據(jù)的處理和分析 面臨巨大的挑戰(zhàn)，是 當(dāng)前數(shù)據(jù)挖掘領(lǐng)域研 究的熱點(diǎn)。 分類(lèi)是數(shù)據(jù)挖掘領(lǐng)域 的重要課題，當(dāng)前流 數(shù)據(jù)分類(lèi)問(wèn)題面臨的 主要挑戰(zhàn)之一就是概 念漂移問(wèn)題，即數(shù)據(jù) 中學(xué)習(xí)的概念（從屬 性到類(lèi)別的映射）是 隨時(shí)變化的。 通過(guò)對(duì)互聯(lián)網(wǎng)中文本 內(nèi)容的主題概念漂移 進(jìn)行檢測(cè)，對(duì)于正確 分類(lèi)互聯(lián)網(wǎng)文本等方 面具有重要的意義。與同類(lèi)成果相比的優(yōu)勢(shì)分析：能夠?qū)⑸傻闹黝}時(shí) 序關(guān)系用數(shù)據(jù)的形式 表示出來(lái)，方便用戶(hù) 查看； 可以動(dòng)態(tài)調(diào)整評(píng)估參 數(shù)，以實(shí)現(xiàn)對(duì)不同數(shù) 據(jù)集的自適應(yīng)性分析； 可以將評(píng)估參數(shù)值與 發(fā)生概念漂移的主題 中心相關(guān)聯(lián)，主動(dòng)探 測(cè)出主題發(fā)生變化的 過(guò)程。

互聯(lián)網(wǎng)文本內(nèi)容主題 概念漂移檢測(cè)系統(tǒng)， 通過(guò)分析數(shù)據(jù)集中的 所有文檔數(shù)據(jù)的潛在 語(yǔ)義關(guān)系，提取出它 們之間的潛在語(yǔ)義主 題標(biāo)示，通過(guò)評(píng)估參 數(shù)的方法，將生成的 主題時(shí)序關(guān)系用數(shù)據(jù) 的形式表示出來(lái)，并 以此為依據(jù)主動(dòng)發(fā)現(xiàn) 待預(yù)測(cè)數(shù)據(jù)集中主題 的轉(zhuǎn)變與轉(zhuǎn)化現(xiàn)象， 并提供給用戶(hù)這一主 題轉(zhuǎn)移過(guò)程。

成果描述：本軟件面向文本，對(duì)知識(shí)單元關(guān)聯(lián)關(guān)系進(jìn)行挖掘，從而實(shí)現(xiàn)對(duì)海量數(shù)據(jù)信息的合理利用?，F(xiàn)在已經(jīng)能夠根據(jù)文本挖掘出文本所含知識(shí)單元對(duì)的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)了從海量信息中的知識(shí)關(guān)系提取。市場(chǎng)前景分析：隨著計(jì)算機(jī)網(wǎng)絡(luò)的迅速發(fā)展和日益普及，因特網(wǎng)上的信息以指數(shù)增長(zhǎng)。信息時(shí)代帶來(lái)了海量的數(shù)字化文本，日益積累的數(shù)據(jù)使得信息的獲取越來(lái)越困難。人們的時(shí)間和精力是有限的，面對(duì)如此巨大的數(shù)字資源，無(wú)法從大量數(shù)據(jù)中迅速而準(zhǔn)確地找到有用的信息，因而需要自動(dòng)化的抽取工具，來(lái)幫助人們檢索海量數(shù)據(jù)。與同類(lèi)成果相比的優(yōu)勢(shì)分析：本軟件相對(duì)于其他同類(lèi)成果，自動(dòng)化程度更高，挖掘關(guān)系的正確性有相對(duì)提高，對(duì)海量數(shù)據(jù)中知識(shí)單元關(guān)系的挖掘有很大的用處。

本軟件面向文本，對(duì)知識(shí)單元關(guān)聯(lián)關(guān)系進(jìn)行挖掘，從而實(shí)現(xiàn)對(duì)海量數(shù)據(jù)信息的合理利用。現(xiàn)在已經(jīng)能夠根據(jù)文本挖掘出文本所含知識(shí)單元對(duì)的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)了從海量信息中的知識(shí)關(guān)系提取。

  這項(xiàng)研究以現(xiàn)有證券市場(chǎng)識(shí)別可疑交易的方法為基礎(chǔ)，提出利用信息分析技術(shù)和常識(shí)知識(shí)推理能力，進(jìn)行市場(chǎng)新聞的文本分析，并過(guò)濾可疑交易的數(shù)量。文中所提出的算法解決了交易線索和信息線索之間的關(guān)系識(shí)別和深層挖掘的問(wèn)題。在技術(shù)指標(biāo)測(cè)試，數(shù)據(jù)可靠性測(cè)試和用戶(hù)體驗(yàn)測(cè)試之下，該原型系統(tǒng)均表現(xiàn)良好。

本發(fā)明公開(kāi)了一種基于全卷積網(wǎng)絡(luò)的多方向文本檢測(cè)方法，首先獲取訓(xùn)練數(shù)據(jù)集中的文本塊，并訓(xùn)練全卷積網(wǎng)絡(luò)模型；然后利用訓(xùn)練好的全卷積網(wǎng)絡(luò)模型對(duì)測(cè)試數(shù)據(jù)集中的圖片進(jìn)行檢測(cè)，獲取文本塊；然后提取文本塊的字符成分，并根據(jù)字符成分的位置信息估算圖像中的候選文本條位置；最后訓(xùn)練針對(duì)文本條中字符成分的全卷積網(wǎng)絡(luò)模型，利用訓(xùn)練好的模型對(duì)候選文本條進(jìn)行檢測(cè)，獲取其中的字符成分，根據(jù)字符成分過(guò)濾掉不需要的文本條，得到圖像中文本條的位置。本發(fā)明方法文本檢測(cè)方法檢測(cè)率高，且能夠克服光照、遮擋、模糊等不利因素的影響。