分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2022-04-07 合作期刊: 《计算机应用研究》
摘要： 推荐系统在各方各面得到充分的应用，时刻影响着日常生活。要训练出一个良好的推荐系统往往需要大量的“用户-商品”交互数据，但是实际情况下获得的数据往往是十分稀疏的，这往往会使得训练出来的模型过拟合，最后难以获得理想的推荐效果。为了解决这个问题，跨领域推荐系统应运而生。目前大部分的跨领域推荐系统工作都是借鉴传统领域自适应的方法，使用基于特征对齐或者对抗学习的思想将领域不变用户兴趣从有丰富数据的源域迁移到稀疏的目标域上，例如豆瓣电影迁移到豆瓣图书。但是由于不同推荐平台的网络结构有所不同，现有的方法暴力提取的领域不变的语义信息容易和结构信息耦合，导致错配现象。而且，现有的方法忽略了图数据的本身存在的噪声，导致实验效果进一步受到了影响。为了解决这个问题，首先引入了图数据的因果数据生成过程，通过领域特征隐变量和语义特征隐变量、噪声隐变量解耦出来，通过使用每个节点的语义隐变量进行推荐，从而获得领域不变的推荐效果。本文在多个公开数据集上验证了本文的方法，并取得了目前最好的实验效果。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-11-29 合作期刊: 《计算机应用研究》
摘要： 卷积神经网络的高计算复杂性阻碍其广泛用于实时和低功耗应用，现有软件实现方案难以满足卷积神经网络对运算性能与功耗的要求，传统面向FPGA的卷积神经网络构造方式具有流程复杂、周期较长和优化空间较小等问题。针对该问题，根据卷积神经网络计算模式的特点，提出一种面向云端FPGA的卷积神经网络加速器的设计及其调度机制。通过借鉴基于HLS技术、引入循环切割参数和对卷积层循环重排的设计，采用模块化方式构造网络，并进行参数拓展以进一步优化加速器处理过程；通过分析系统任务和资源的特性总结调度方案，且从控制流和数据流两方面对其进行优化设计。与其他已有工作相比，所提出的设计提供了一种同时具有灵活性，低能耗、高能效和高性能的解决方案，并且探讨了加速器的高效通用调度方案。实验结果表明，与CPU实现相比，该设计实现AlexNet达到8.48倍的加速，而实现Cifar的功耗仅为其24.96%；相较于CPU+GPU实现对Cifar6.90倍的加速比，虽然实现较大规模网络的性能不及GPU，但功耗最小仅为其14.98%；与已有研究成果相比，最大达到6.29倍的加速比。其中与大平台生成的加速器相比，即使仅达到相当的性能，但具有更低的时钟频率。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2022-05-18 合作期刊: 《计算机应用研究》
摘要： 视频超分辨率(video super-resolution，VSR)，其目的是利用多个相邻帧的信息来生成参考帧的高分辨率版本。现有的许多VSR工作都集中在如何有效地对齐相邻帧以更好地融合相邻帧信息，而很少在相邻帧信息融合这一重要步骤上进行研究。针对该问题，提出了基于组反馈融合机制的视频超分辩模型(GFFMVSR)。具体来说，在相邻帧对齐后，把对齐视频序列输入第一重时间注意力模块，然后，把序列分成几个小组，各小组依次通过组内融合模块实现初步融合。接着，不同小组的融合结果经过第二重时间注意力模块。然后，各小组逐组输入反馈融合模块，利用反馈机制反馈融合不同组别的信息，最后，把融合结果输出重建。经验证，该模型具有较强的信息融合能力，在客观评价指标和主观视觉效果上都优于现有的模型。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-11-29 合作期刊: 《计算机应用研究》
摘要： 基于循环神经网络结合句法结构的方法被广泛运用于关系分类，利用神经网络对输入的编码信息自动获取特征并实现关系分类；然而，目前已有的方法主要是基于单一特定句法结构的模型，而特定句法结构的模型不能够迁移到其他句法结构类型上。针对该问题，提出一种融合多句法结构的叠层循环神经网络模型。该叠层循环神经网络分为两层进行网络构建，首先在序列层进行实体预训练，通过Bi-LSTM-CRF融合Attention机制，提高模型对文本序列上实体信息的关注度，从而获取更加准确的实体特征信息，促进关系层阶段更好地分类；其次在关系层，将Bi-Tree-LSTM嵌套在序列层之上，并将序列层的隐状态与实体特征信息传入关系层，利用共享参数对三种不同的句法结构进行加权学习，通过端到端的模型训练并实现语义关系分类。实验结果表明，该模型在SemEval-2010 Task8语料库上的marco-F1值达到了85.9%，并进一步地提升了模型的鲁棒性。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2019-01-28 合作期刊: 《计算机应用研究》
摘要： 现有主流的利用预训练卷积神经网络提取图像特征的方法存在如下问题：仅使用单层预训练特征表征图像；预训练任务与实际研究任务不一致。使得现有图文匹配方法无法充分利用图像特征，极易受到噪声特征干扰。针对上述问题，使用了预训练网络中的多层特征，并提出了多层次图像特征融合算法。在图文匹配的学习目标指导下，利用多层感知机（Multi-Layer Perceptron）有监督地融合和降维多层次的预训练图像特征，生成融合图像特征，从而充分利用预训练特征，减少噪声干扰。实验结果表明，提出的融合算法可实现对预训练的图像特征更有效的利用，相比于使用单层次特征的方法能获得更好的图文匹配效果。
点击量
点击量
下载量
评论
