摘要：标志的动态化设计已成为网络媒体时代的风尚,多变的形态让人耳目一新,但标志形态的变化也可能在受众中产生消极影响,并不是所有的动态化标志都能提高品牌的美誉度。用户对旧形象的审美惯性、形态变化的形式以及传播媒介的契合度,都会影响动态化标志的公众接受度。标志的动态化设计不仅与传播技术和媒介相关,还与人们的情感相关。丰富的传播与交互的形式,要求设计师要照顾到用户多层次的情感需求,寻找将技术与情感有机结合的契合点。

摘要：针对日长变化参数序列中蕴含的复杂非线性特征会严重影响其预报精度的问题,同时为探讨引入大气角动量序列是否有助于提升预报精度,提出一种Prophet拟合外推联合向量自回归(vector autoregression,VAR)残差补偿的组合模型用于日长预报。选用2008~2020年的日长变化参数序列进行实验,同时设计不顾及大气角动量序列的Prophet-AR以及传统的LS-AR两种方案进行对比。结果表明,3种方案的预报精度依次降低,既说明Prophet算法比LS算法能更好地拟合非线性信号,从而降低组合模型的预报误差,也说明当预报模型一致时,引入大气角动量序列能够有效提升预报精度。综上可知,顾及大气角动量的Prophet-VAR组合预报模型可以应用于高精度的日长变化预报。

摘要：为了更有效地挖掘用户、上下文和广告之间的三维交互关系,张量分解模型开始被用于解决实时竞价广告响应预测问题.然而实时竞价广告响应预测面临严峻的数据稀疏和冷启动问题,尤其是广告转化率预测,单纯地依靠某类或某些信息很难有效地解决这些问题,只有同时综合利用各种各样的异质、异构信息才能有效地应对这些问题.本文面向张量分解模型,提出了基于异构信息融合的综合解决方案来解决数据稀疏问题.该方案针对不同信息的性能、类型、结构、存在方式和作用特点等,提出了不同的融合策略和不同的实现方法,提升了基于张量分解模型的广告响应预测方法的可靠性和准确性,有效地缓解了需求方平台进行广告响应预测时面临的严峻数据稀疏问题.在选定数据集上基于异构信息融合的模型预测性能与基准方法相比取得了显著的提升.

摘要：预训练语言模型虽然能够为每个词提供优良的上下文表示特征,但却无法显式地给出词法和句法特征,而这些特征往往是理解整体语义的基础.鉴于此,本文通过显式地引入词法和句法特征,探究其对于预训练模型阅读理解能力的影响.首先,本文选用了词性标注和命名实体识别来提供词法特征,使用依存分析来提供句法特征,将二者与预训练模型输出的上下文表示相融合.随后,我们设计了基于注意力机制的自适应特征融合方法来融合不同类型特征.在抽取式机器阅读理解数据集CMRC2018上的实验表明,本文方法以极低的算力成本,利用显式引入的词法和句法等语言特征帮助模型在F和EM指标上分别取得0.37%和1.56%的提升.

摘要：目的通过临床应用,观察和评价C-Tech种植体系统的临床效果和适用性。方法牙列缺损患者35例,排除手术禁忌,根据个体条件采用埋入式或非埋入式,植入喷砂和酸蚀(SLA)表面处理的C-Tech种植体60枚,一般2~4个月行二期修复,2~4周完成永久性修复。通过临床检查以及影像学检查分析,对其临床效果进行评价。结果 60枚种植体骨结合良好,成功率100%,一年留存率100%,宿主无不良反应。测量种植术后当天,永久修复后当天、功能负载12个月,植体近中边缘骨高度分别为(0.35±0.49)mm、(0.18±0.44)mm、(0.25±0.36)mm,远中边缘骨高度分别为(0.20±0.42)mm、(0.08±0.45)mm、(0.15±0.38)mm;种植体功能负载后第1年颈部骨吸收量近中为(-0.11±0.38)mm,远中为(-0.07±0.31)mm;患者术前及术后3个月内各项血液指标比较差异无统计学意义(P<0.05),使用安全。结论锥柱结合双螺纹形态设计、SLA表面处理、应用平台转移的CTech种植系统临床应用安全适用,效果良好。