摘要：随着深度学习技术的发展,多模态情感分析已成为研究热点之一。然而,大多数多模态情感分析模型或从不同模态中提取特征向量并简单地进行加权求和,导致数据无法准确地映射到统一的多模态向量空间中,或依赖图像描述模型将图像转化为文本,导致提取到过多不包含情感信息的视觉语义,造成信息冗余,最终影响模型的性能。为了解决这些问题,提出了一种基于视觉语义与提示学习的多模态情感分析模型VSPL。该模型将图像转化为精确简短、蕴含情感信息的视觉语义词汇,从而缓解信息冗余的问题;并基于提示学习的方法,将得到的视觉语义词汇与针对情感分类任务而提前设计好的提示模板组合成新文本,实现模态融合,这样做既避免了由加权求和导致的特征空间映射不准确的问题,又能借助提示学习的方法激发预训练语言模型的潜在性能。对多模态情感分析任务进行了对比实验,结果表明所提模型VSPL在3个公开数据集上的性能超越了先进的基准模型。此外,还进行了消融实验、特征可视化和样例分析,验证了VSPL的有效性。

摘要：基于单一模态实体之间建立关联所形成的语义关系网难以准确理解现实世界中的多模态语义。为增强多源知识图谱的补全能力以及解决知识图谱语义缺失问题,提出一种基于多模态嵌入张量分解的方法ME-TD(multimodal embedding tensor decomposition)。利用由图像、描述文本和知识构成的三元组作为张量分解模型的输入,分别对图像和文本进行特征提取,研究3种融合方法:相加融合、相乘融合以及连接映射方法,通过高维映射形成一个多模态的三阶张量;经过三模式分解,产生一个核心张量与每一个维度因子矩阵的乘积,通过链接预测计算三元组正确的概率。实验结果表明,ME-TD方法在知识补全中对多模态矩阵预测效果相较于其它方法有较为明显提升。

摘要：针对现有低剂量CT图像去噪方法在图像局部细节纹理等方面的恢复始终不理想和去噪图像边缘的对比度较低的问题,设计了一种融合Transformer与UNet的生成对抗网络,提出了一种新的低剂量CT图像去噪方法。该方法在UNet编码器-解码器结构的多个尺度中嵌入Transformer模块,充分捕获特征图中的长距离依赖关系;同时,在Transformer模块中,使用基于窗口的多头注意力机制降低高分辨率图像的计算复杂度,构建局部前馈神经网络加强模块对局部上下文信息的捕获能力,并进一步使用混合加权损失函数保留图像细节。实验结果表明:该模型不仅可以有效减小噪声,还保留了更多边缘轮廓细节,与当前低剂量CT图像去噪性能最好的方法SACNN相比,峰值信噪比提升1.5 dB,结构相似度提升2.3%。

摘要：为发现用户真正感兴趣的决策规则,利用RS理论和方法设计了个性化决策规则发掘算法.算法分为两步:首先在属性约简中通过提出的理论尽可能去除用户不感兴趣的属性的方法来找出最佳约简;然后在属性值约简中进一步去除与用户无关的属性,从而抽取个性化决策规则.从理论上论证了算法的有效性,给出了实验分析,证实了算法的可行性.

摘要：当前分类算法还存在诸如伸缩性不强、可调性差、缺乏全局优化能力等问题 .通过构造完全分类规则集 ,设计了一种有效的遗传编码方法 ,使得遗传算法的各种优良特性在数据分类中得到充分的运用 ,从而提出了一种新的数据分类算法 .新算法有效提高了数据分类的准确性 ,较好克服了当前存在的缺点 .最后 ,给出了实验结果 。

摘要：利用粒度计算有关理论,建立信息系统的知识粒度空间—全粒度空间和超粒度空间,找到了定义于超粒度空间之上的格和布尔代数,并利用格的有关性质导出了全粒度空间的结构模型—超树,得到了全粒度空间和超树的若干性质,为KDD算法的具体设计与实现提供了指导信息,为进一步研究知识发现机理等问题奠定了理论基础,丰富和完善了KDD的几何和代数理论体系.

摘要：产生无关的聚类结果,不能满足用户的实际需要,这是当前许多聚类算法存在的一个缺点。为此,该文提出根据用户实际需要进行自主聚类的个性化聚类的概念。其方法是,引入用户因素,通过设计频度向量、关心度向量来构造个性化距离函数,并与现有的著名聚类算法结合起来,给出了个性化聚类算法的一个实例描述,可以较好地解决存在的问题。

摘要：设计基于Multi Agent技术的个性化数据挖掘系统,介绍了该系统构造的基本思想和Agent的状态转变关系及其它们之间的通信协议;利用用户Agent和挖掘Agent得到个性化数据挖掘系统MAS,并给出了系统的算法.该类系统的特点是:用Agent模拟人,实现用户在系统中的智能代理.结果表明,它能够实现数据挖掘的个性化服务功能,提供对用户真正有价值的知识,有效地避免了用户的重复劳动和精力耗费;同时,避免了系统对无用数据的挖掘,提高了系统的运行效率.

摘要：在同一决策系统中 ,可提取满足多种不同应用的知识 .但对一既定用户 ,不是所有知识都是必要的 .如何发现仅对用户有价值的知识 (称为个性化知识 ) ,是一个挑战性的研究课题 .为此 ,设计了一种面向个性化知识发现的属性约简算法 .其特点是 ,逐步构建分辨集 ,以取代分辨矩阵 ;然后通过有关覆盖理论 ,在分辨集中计算用户最需要的约简 .有效减少时间和空间复杂度 ,提高算法的效率 .文中给出了实验分析与对比 ,证实了算法的有效性和可行性 .

摘要：属性约简是粗糙集理论中最重要的研究内容之一。在决策粗糙集中,学者提出了多种属性约简的定义,其中包括保持所有对象正决策不变的约简定义。针对该约简定义,为了高效地获取约简集,设计了一种启发式函数——决策重要度,这种启发式函数根据每个属性正决策对象集合的大小来定义其重要性,正决策对象集合越大表示重要性越高,由此构造了基于决策重要度的启发式属性约简算法。该算法的优点是通过对属性决策重要度的排序,确定了一个搜索方向,避免了属性的组合计算,减少了计算量,能够找出一个较小的约简集。实验结果表明,该算法是有效的,能够得到较好的约简效果。