摘要：蔬菜产业的发展需要大量高端专业人才支撑。教学团队以服务地方区域经济和推动蔬菜产业发展为目标,着力打造蔬菜栽培学各论课程,建设优质线上教学资源,探索基于问题研讨的研究型教学方法,构建线上线下混合式深度融合教学模式,完善教学综合评价体系,教学改革效果显著。

摘要：针对目前路面裂缝检测方法在复杂环境下识别率较低、鲁棒性较差的问题,提出一种改进网络CBAM-Res-GhostNet对路面裂缝实现有效分类。在卷积神经网络中引入Ghost模块和改进残差模块,加入卷积注意力,避免梯度消失和过拟合现象,实现对路面裂缝的准确判断;在此基础上,提出一种改进网络Self-Attention-UNet对路面裂缝区域进行高精度分割,引入自注意力机制增强模型裂缝特征提取能力,提高分割精度。在EdmCrack600数据集上,所提分类算法准确度达到99.13%,分割算法的精准率和F1值分别为86.85%和86.6%,相较原始方法具有更好的分类分割效果。

摘要：胶囊网络是一种新型深度神经网络,采用向量表达图像特征信息,并通过引入动态路由算法解决了卷积神经网络的两个主要问题:1)无法对图像的部分与整体关系进行学习和表达;2)池化操作导致图像特征信息严重丢失。然而,CapsNet需要学习图像的所有特征,当图像背景较复杂时,其存在提取图像特征信息不足、训练参数量大和训练效率低等问题。为此,首先设计了一种轻量级的图像特征提取器RA模块,用于更快、更完整地提取图像特征信息;其次,设计了两种不同深度的轻量化分支来提升网络的训练效率;最后,设计了新的压缩函数hc-squash来确保网络能够获取更多有用信息,并提出了多分支RA胶囊网络。通过在MNIST,Fashion-MNIST,affNIST和CIFAR-10这4个图像分类数据集中的应用,证实了多分支RA胶囊网络在多项性能指标上优于CapsNet和MLCN,并针对所提网络设计了改进方案,以优化分类性能。

摘要：为消除噪声、充分使用邻域信息并考虑用户动态兴趣,提出一种融合BiGRU和记忆网络的会话推荐模型。使用BiGRU捕获会话总体特征,使用另一个加入缩放点积自注意力的BiGRU消除噪声项的干扰并捕获细粒度的用户兴趣,使用记忆网络通过邻域会话信息预测当前的会话意图,改进融合选通门进行特征融合并计算每个候选项的推荐分数。通过在两个数据集上的实验,验证了该模型能够准确预测用户意图,提高推荐效果。

摘要：为利用用户行为挖掘用户的兴趣,提出一种融合用户兴趣表征与注意力机制的推荐算法。利用CVR算法将传统的用户-项目表征转换为用户-兴趣表征;构建一种应用于用户兴趣预测的深度森林模型,引入兴趣簇重要性作为特征选择权重,融合时间注意力机制进行兴趣预测,将用户-兴趣模型结合基于用户的协同过滤算法预测推荐结果。两个数据集上的实验结果表明,该算法能够提高用户兴趣预测准确率,提升推荐效果。

摘要：用户的搜索是在特定搜索上下文中进行的,虽然个性化搜索、社会化搜索可以利用一部分上下文信息,但有时搜索效果因搜索引擎未有效利用其他上下文信息而让人无法接受。论文采用发放问卷调查的方式,探索上下文信息对用户搜索行为的影响。首先针对用户上下文、查询上下文、页面上下文分别设计一定数量的调查题目;其次在新浪等五个网站发放问卷,收集为期一个月的互联网用户反馈结果,得到数据集;最后,分析三类Web上下文信息对用户搜索行为的影响。结果显示:查询上下文影响权重最大、用户上下文次之、页面上下文的影响最小,这一结果可为有效利用上下文信息提供一定的借鉴作用。

摘要：为应对推荐系统中数据日益增长的现状,在均模型的基础上,提出支持增量扩展的均模型算法(incremental mean model,Incremental MM)。均模型能够提高固定数据集的推荐效率,在均模型转换之前,为各项目建立评分值与评分数的评分映射表,通过映射表的更新实现均模型的增量算法。在MovieLens数据集上进行实验,实验结果表明,该算法的增量更新效率较高,无损推荐精度,指出了其在大数据背景下的性能优势,展现了其可观的应用前景。

摘要：为了解决使用Eclat算法在挖掘事务数或项目数较多的数据时,存在效率低、系统内存不足等问题,从候选集优化和剪枝策略两方面降低算法的时间复杂度,同时采用可以降低算法空间消耗的位存储结构,并基于此提出改进算法Eclat’。通过设计对比实验,进一步证明了改进算法的有效性,算法性能较原算法提高了20.37%。并将改进算法用于真实的手机用户数据上实现手机软件(Application,APP)的合理推荐。

摘要：为挖掘用户行为信息的隐性反馈,提出一种融合项目嵌入表征与注意力机制的深度学习序列化推荐算法。由于项目间的相关性特征和用户行为特征对提高推荐算法准确性有重要意义,在GRU网络模型的基础上,考虑点击序列中项目间的相关性,通过word2vec将浏览项目表征为高维向量,弥补传统项目表征的不足;用停留时间优化注意力机制刻画用户兴趣偏好,提高推荐准确性。通过实例验证了所提算法的有效性,召回率达到了69.61%,分类效果优于其它模型。

摘要：基于均模型的IBCF(item-based collaborative filtering)算法只考虑在整体的用户集上计算项目之间的相似度,丢失了一些局部上的信息,为此提出社区均模型的IBCF算法。整体用户集聚类成多个用户子集,在整体上和局部上计算相似度,利用整合后的相似度预测评分。在真实数据集上进行实验,实验结果表明,比较几个经典的算法,在时间复杂度较低的情况下,该算法提高了推荐精度。