摘要：水果分类对于水果生产、加工、运输以及自助销售都有重要意义.卷积神经网络通过多层次的特征学习和自动特征提取,能够高效地处理和分类大量水果,在水果分类方面具有出突出的优势.然而,目前的水果分类方法存在诸多问题,如过度依赖人工、准确率不高、智能化程度不足以及鲁棒性差等.为解决这些问题,提出一种改进的YOLOv3卷积神经网络水果分类算法.利用LabelImg工具进行数据标注,把YOLOv3主干网络draknet53替换为DenseNet网络,建立网络层之间的密集连接,增强水果图像的特征信息,实现特征复用,减少计算参数量,强化特征训练,进而训练出一种准确度较高的水果分类模型.经测试,改进的算法对水果分类识别平均准确率达到98%,显著提升了水果分类的准确性.

摘要：岩土工程实体识别是岩土工程文本挖掘和知识谱图的工作基础和重要前提.针对岩土工程实体识别问题,参考《GB/T 50279-2014:岩土工程基本术语标准》等国家行业标准规范,设计和构建了一个小规模的岩土工程命名实体语料库;提出了一种岩土工程文本命名实体识别深度学习模型BERT-BiGRU-CRF(简称:GENER):表示学习层采用BERT预训练语言模型实现了岩土工程文本特征的迁移表示学习;BiGRU上下文编码层实现对岩土工程文本上下文特征编码;CRF标签解码层解决了标签间依赖约束,生成符合标注规律的岩土工程命名实体标签序列;最后,基于岩土工程命名实体语料库,对GENER模型进行了实验分析.在对照实验中,取得了良好效果:精确率P达到了90.94%,召回率R达到了92.88%,F1值达到了91.89%,模型训练速度提升了4.735%.实验结果表明相比基线模型BiLSTM-CRF和其他预训练模型,GENER模型在小规模语料岩土工程命名实体识别方面效果更优,未来可推广应用到其他地质类文本命名实体识别任务.

摘要：利用社交媒体用户生成的内容构建用户画像系统,为个性化服务和电商平台的精准营销提供支持,这是社交媒体分析领域重要的研究方向之一.文中研究用户以时间线方式发布内容形成篇章级长度的多模态数据,并针对由此给用户画像自动构建带来的挑战展开分析.以用户性别和出生年代为主的自然属性为目标,研究如何有效处理与分析社交媒体用户发布的篇章级多模态数据,提出基于Moments的社交媒体用户画像自然属性预测模型.在认知心理学启发下,通过工作记忆理论设计数据分块方式,缓解以拼接和滑动窗口为主的传统方法存在的语意破坏和语篇合成的问题.再针对用户在发表社交内容时存在的模态偏好问题,综合注意力平衡模态内数据和模态间数据对预测任务贡献度的差异,实现用户画像中自然维度属性的预测.实验表明,文中模型在用户性别和出生年代预测任务上的准确性较高.