摘要：针对现有的大多数跨域推荐方法仅仅使用了源域的评分信息和部分辅助信息,并未充分使用包括隐式反馈信息在内的其它辅助信息,文中提出了一种融合多种辅助信息的跨域推荐算法,以充分使用隐式反馈信息和内容信息来提升跨域推荐方法的性能.在对堆叠降噪自动编码器(stacked denoising autoencoder,SDAE)进行扩展的基础上,结合矩阵分解(matrix factorization,MF)方法,同时融合了源域的评分信息、用户和项目的内容信息以及隐式反馈信息,丰富了用户和项目潜在特征的语义信息.采用基于密码本的知识迁移方法和非完备正交非负矩阵三分解方法,设计了适用于评分信息和多类型辅助信息综合运用的跨域协同过滤框架.实际数据集上的实验结果表明,该方法在改善推荐性能,减少用户厌恶推荐结果方面有着良好的效果.

摘要：弱光背景下的目标检测是航站楼夜间巡检机器人的主要任务之一。然而,那些能够在计算资源有限的机器人平台运行的算法往往难以确保航站楼中人体目标的检测精度。为此,本文提出了一种融合热特征的显著人体检测模型。该模型仍然以U-Net神经网络作为基本架构,但是在解码器模块结构和模型轻量化方面重新进行了设计。一方面,在模型的解码器部分增加了由热特征分支和显著特征分支构成的融合模块,进而设计对图像高温区域更为敏感的预测损失函数,以提升算法在复杂场景下的检测精度;另一方面,通过精简编码器网络结构和控制解码器通道数的方式对模型进行了轻量化改进,以降低算法对计算资源的需求。4个数据集上的实验结果表明,本文方法既能确保较高的检测精度和很好的算法鲁棒性,又能以40 f/s以上的检测速度满足巡检机器人实时检测的需要。

摘要：该文在奇异值矩阵分解方法的基础上,提出了一种融合景点季节演变信息的旅游推荐算法。该算法根据景点属性与季节演变之间的关联,将旅游景点的属性划分为静态方面和动态方面,并通过设计包含时间因素的动态偏置函数来刻画用户偏好与景点之间的动态关联。这些静态和动态方面的信息被作为新的偏置项融入有偏奇异分解(Bias singular value decomposition,Bias SVD)模型,以改善用户对旅游景点的评分预测。标准数据集Yelp上的实验结果表明,相比于对用户签到数据无差别对待的推荐方法,该文方法在推荐精度和用户体验方面均有明显的提升。

摘要：作为一种轻量级网络结构,YOLOX-Nano具有运行速度快的优势。然而,该网络在实际应用中仍然存在特征提取能力较弱、检测精度不足的缺陷。为此,提出了一种综合平衡检测速度和检测精度的高效目标检测网络Rapider-YOLOX。首先,设计高效瓶颈模块,以提升原始YOLOX-Nano模型中深度卷积模块的特征提取能力。其次,设计软空间金字塔池化模块,以避免原始SPP模块容易出现丢失部分重要信息的现象,进一步提升多尺度信息融合及通道间信息交流的能力。最后,引入CIoU损失,利用预测框与真实框的中心距离及宽高比提升预测框的位置精度。在PASCAL VOC2007数据集上的实验结果表明,提出的Rapider-YOLOX模型的mAP达到77.92%,比原始YOLOX-Nano高3.79%。此外,在CUDA核心数仅为384的GT1030上,FPS达到45.40,在CPU上FPS也可达到23.94,从而在确保网络轻量级特性的同时,进一步提升了网络的检测精度和泛化性能。

摘要：针对系统芯片SoC(System-on-Ch ip)设计中IP复用问题,提出了一种基于状态机FSM(F in iteState M ach ine)自动生成的SoC硬件接口综合设计方法,给出了基于Verilog语言的接口程序设计,通过实例仿真验证了该方法的可行性。该方法可以自动化生成接口程序,对于缩短SoC芯片设计时间,提高IP复用程度等方面提供了一种新的方法。

摘要：阐述程序设计课程的特点,设计程序设计课程的课程体系、教学方法和课程评价体系,探讨智能教学平台为基础的在线习题和在线编程训练方法。

摘要：利用用户的历史签到数据的同时考虑用户的长期偏好和短期偏好已成为当今兴趣点(Point-of-Interest,POI)推荐的主流方法之一。然而,现有方法往往忽略了用户评论中隐含的用户偏好信息,忽视了不同用户在对长期偏好和短期偏好的依赖上所存在的差异性。针对上述局限,本文提出一种结合动态多类信息的兴趣点推荐方法DMGCR。首先,利用注意力机制捕获用户对不同兴趣点的关注程度,定量刻画用户对兴趣点的长期偏好。其次,将评论信息与已有的位置和类别信息相结合,并利用双向长短期记忆网络学习评论文本中隐含的语义特征,在捕获用户对兴趣点情感倾向的基础上准确刻画用户的短期偏好。最后,设计融合动态多类信息的用户偏好综合预测函数,实现下一个兴趣点推荐概率的定量计算。多个数据集上的实验结果验证了该方法在推荐性能上的有效性和优越性。

摘要：许多购物网站中存在用户编写的大量评论信息,大部分推荐系统虽然利用了评论信息,但仍有很大的改进空间。一方面是评论中信息参差不齐,掺杂了很多无用信息;另一方面是大多数现有的推荐系统都假设一个用户对于某一商品特征的关注对于所有的商品都是相同的,无法准确体现用户偏好。本文提出一种融合三重注意力和评论评分的方面感知深度推荐模型ANAP(Attention and Neural Aspect Perception),从词和特征2个层面出发,通过构造2种不同的注意力网络提取评论文本中的重要信息,降低无用信息的影响;为了准确体现用户偏好,通过构造注意力交互网络捕捉用户对不同项目各个方面的不同关注度,实现方面感知的细粒度建模。本文在6个真实数据集上进行实验,同时设计了注意力机制对比实验,结果表明ANAP模型有效提高了评分预测精度,平均绝对误差(Mean Absolute Error,MAE)比现有最佳算法降低了4.86个百分点。

摘要：为获得分布式数据集上用户所期望的聚类结果,提出了基于约束信息的并行k-means聚类算法.在分析并行k-means能够有效实现对水平分布式数据集进行聚类的基础上,修改并行k-means算法的目标函数,设计约束并行k-means算法,将站点用户的约束信息以chunklet的形式引入到分布式聚类过程,从而引导算法执行有偏搜索.约束并行k-means算法在理论上保证无约束样本簇内距离最小的同时能够确保chunklet约束中的样本与对应的簇中心之间的平均距离最小.实验结果表明,约束并行k-means算法能够有效改善并行k-means的聚类精度,同时在分布式环境下能够得到与已有约束聚类算法在集中式数据集上相等价的聚类结果.

摘要：为有效提高非球形分布式水平划分数据集的聚类质量,提出了一种分布式约束一致高斯混合模型(DCCGMM)。DCCGMM以高斯混合模型(GMM)作为数据集的描述模型,通过约束一致正则化算子将约束信息引入GMM,使得DCCGMM的估计参数既能反映样本数据的潜在概率分布,又能包含用户的先验知识,同时所有参数均能以封闭的解析表达式进行估计。通过设计相应的用户站点传递参数,DCCGMM可以应用于分布式聚类。实验结果表明:相比于以K-means为基本算法的分布式聚类方法,该算法在聚类非球形数据时具有更好的适应性,其聚类精度优于没有使用约束信息的分布式期望最大化(EM)算法,全局平均聚类精度分别提高9%至20%。