摘要：搜索广告中的点击率预估问题在信息检索和机器学习等领域一直是研究的热点.目前通过设计特征提取方案获得特征和针对用户点击行为建模等方法,并没有充分考虑广告数据具有的高维稀疏性、特征之间存在高度非线性关联的特点,致使信息利用不充分.为了降低数据稀疏性和充分挖掘广告数据中隐藏的规律,该文提出了面向广告数据的稀疏特征学习方法.该方法基于张量分解实现特征降维,并充分利用深度学习技术刻画数据中的非线性关联,以解决高维稀疏广告数据的特征学习问题,实验结果验证了文中提出的方法能够有效地提升广告点击率的预估精度,达到了预期效果.

摘要：视频广告作为新兴互联网广告的一个重要的分支,为广告商带来巨大的收益,目前对于视频广告的拍卖方式主要采用关键字拍卖中的广义第二价格拍卖机制.但由于视频广告的时间可分性,使得视频广告与关键字拍卖内在上成为2个不同的问题.针对这些问题,主要工作如下:1)定义在线视频广告的形式化模型.该模型是有公共预算限制和私有价格信息的异质多物品拍卖模型,且该模型不限制竞价者的收益函数分布.2)前期工作已经证明了不同时存在具有个体理性、激励相容性和帕累托最优性质的预算约束拍卖的确定性机制.所以针对视频广告拍卖问题,基于预算约束的嵌钉拍卖基础,提出不限制竞拍者Agent的边际效益形式且满足激励相容性、个体理性激励相容的随机机制.3)定性及定量分析了该机制的收益性质.通过定义分配因子和支配因子证明了该机制收益的下界,并通过针对不同分布的收益函数和预算约束的实验,在系统收益和社会效用2个指标上验证了该机制的有效性.

摘要：以吴方法为理论基础,提出一种针对高层次设计验证的定界模型检验方法·通过使用多项式等式建模高层次设计和待验证性质,将定界模型检验问题转化为定理证明问题,并用吴方法有效地解决该定理证明问题·实验结果表明,与基于布尔SAT、基于LP的RTLSAT以及基于非线性求解器的性质检验方法相比,该方法在时间消耗上具有相当大的优势·

摘要：为了解决目前可重构编译技术在为类仿射型数组下标应用生成循环流水阵列时,生成的存储系统对数据并行与重用支持不完善的问题,本文提出了一种参数化并行存储结构模板.此模板采用模块化设计思想,根据数据访存特征生成由多体交叉并行存储子模块、单体串行存储子模块、RAW Buffer缓存子模块及Smart Buffer缓存子模块构成的存储结构.为灵活生成存储结构及充分挖掘数据的并行性和重用性,本文采用访存数据依赖图方法计算存储模板的参数值.和相关工作相比,根据本文提出的存储结构模板生成的硬件,可以在占用较少的硬件资源情况下,获得较高的硬件执行速度.

摘要：以vanishing多项式理想的极小强Grbner基为理论基础,提出一种针对定点算术数据通路的等价性检验方法.通过使用多项式函数建模定点数据通路的设计规范和寄存器传输级实现,将等价性检验问题转化为判断一个多项式函数是否为vanishing多项式、vanishing多项式理想的极小强Grbner基被用来有效地解决该问题.理论分析和实验结果表明,与现有的算法相比,该方法在时间消耗上具有一定的优势.

摘要：传统的Ziegler-Nichols参数整定方法已经在PID控制设计中得到了普遍应用,然而由于未对超调量进行具体限制而表现出一定的局限性.本文根据系统阶跃响应曲线的几何特性,通过求曲线包络的面积获得在被控对象的阶跃响应超调量严格限制情况下的PID控制器的3个参数值.该整定方法具有同时保证系统超调量小和响应速度快的双重优点,一定程度上弥补了传统PID参数整定方法的不足.把这种新的整定方法应用到锅炉蒸汽压力控制系统设计中,在Simulink环境下仿真表明,相比于经典Ziegler-Nichols方法,该整定方法具有更好的控制效果.

摘要：矩阵运算是高性能计算中核心问题之一,矩阵分解是提高矩阵运算并行性的重要途径,飞速发展的FPGA为并行运算结构提供了有力的环境支持。该文基于子矩阵更新同一化算法实现了Cholesky分解,基于FPGA设计了相应的并行结构。实验结果表明:与通用处理器的软件实现相比,本文实现的Cholesky分解的FPGA并行结果在核心计算性能上可以取得10倍以上的加速比,该算法针对矩阵三角化计算过程具有更高的数据和流水并行性。

摘要：随着超大规模集成电路设计复杂度日益增加,工艺参数变动对电路性能(如速度和功耗)的影响越来越大.文中建立了一个层次化电路时延和漏功耗分析模型;将海森矩阵的概念引入到二次模型中,并建立改进的二次模型;将电路的时延和漏功耗的对数统一用改进的二次模型拟合;将该模型应用于层次化电路时延和漏功耗分析.提出一种新颖的基于相关系数-海森矩阵的面向性能的参数约简方法,减小了计算规模,既考虑了工艺参数之间的依赖关系,又考虑到它们与高层次之间的关系,从而提高了性能预算的精确度.实验结果表明了该方法的有效性和精确性.

摘要：随着社交网络、移动互联网等新兴服务的不断涌现,在线社会网络正以前所未有的速度增长并且呈现出极强的演化特性.网络压缩技术能够将大规模网络压缩成规模更小、结构信息更简洁的网络,在数据存储和网络可视化领域发挥着重要作用.现有的压缩算法为了优化压缩损失,重复比对原始网络与压缩网络之间的差异导致过高的时间开销,并且算法仅局限于静态网络,无法满足在线社会网络的演变要求.针对上述问题,提出一种解决演化网络压缩问题的高效算法,首先设计了基于局部化判定的结构合并贡献函数及其快速调整算法,将网络的首次压缩复杂度控制在O(n)到O(mn)之间;其次,设计了一种面向演化网络压缩的动态校准算法,参照网络演化前后拓扑结构的变化,校准前一时刻的压缩表达以避免网络的重复压缩,在满足在线社会网络演变要求的同时提高了压缩效率;最后,通过对真实数据集的实验分析,验证了算法的有效性.

摘要：本文探讨在线社会网络的社区识别问题,重点研究网络演变特性对社区结构产生的影响.首先基于节点的邻域倾向性提出社区稳定性的概念并给出稳定社区的快速识别算法,然后设计了一种基于事件的社区稳定性校准算法以此识别新网络的社区结构.由于算法的局部搜索策略,该方法无需在新时间片段重复执行,并且可以在无参数条件下识别加权网络中具有任意形状的社区结构.在人工合成网络和真实网络上的实验结果验证了算法的可行性和有效性.