导读:本文包含了特征表示模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:特征,模型,网络,卷积,文本,动作,主题。
特征表示模型论文文献综述
朱艳丽,杨小平,王良,张志宇[1]（2019）在《TransRD：一种不对等特征的知识图谱嵌入表示模型》一文中研究指出知识图谱嵌入是一种将实体和关系映射到低维向量空间的技术。目前已有的嵌入表示方法在对具有不对等特征的知识图谱中的实体和关系建模时存在两大缺陷:一是假定头尾实体来自同一语义空间,忽略二者在链接结构和数量上的不对等;二是每个关系单独配置一个投影矩阵,忽略关系之间的内在联系,导致知识共享困难,泛化能力差。该文提出一种新的嵌入表示方法TransRD,首先对头尾实体采用不对等转换矩阵进行投影,并用ADADELTA算法自适应调整学习率;其次对关系按相关性分组,每组关系使用同一对投影矩阵的方式来共享公共信息,解决泛化能力差的问题。在公开的数据集WN18和FB15K以及MPBC_20(乳腺癌知识图谱的子集)上进行实验和结果分析并与现有的模型进行对比,结果表明TransRD在各项指标上均取得大幅提升。(本文来源于《中文信息学报》期刊2019年11期）
王婧,谷林[2]（2019）在《一种优化动作特征表示的动作姿态评测模型》一文中研究指出运用传统的动作表示方法对动作特征进行表示,存在动作识别精度和识别效率较低的问题。为此提出一种优化的动作特征表示方法,即将动作整体特征与动作局部特征相融合,对动作特征进行全面的表示。动作整体特征采用传统人体姿态矩阵表示,动作局部特征采用人体骨骼关节点的旋转量表示。利用神经网络训练动作姿态符合度的网络模型,并依据网络模型输出的动作符合度,实现对动作姿态评测。实验表明,优化的动作表示方法,相较于传统的动作表示方法识别精度提高4.643%,具有较高的识别精度和识别效率。(本文来源于《西安工程大学学报》期刊2019年05期）
谢国民,张婷婷,刘明,屠乃威,刘志邦[3]（2019）在《基于SDAE特征表示的协同主题回归推荐模型》一文中研究指出为解决推荐系统中的冷启动问题,在协同主题回归CTR模型的基础上引入堆迭去噪自编码器SDAE深度学习网络,用于学习用户辅助信息的隐表示,建立SDAE-CTR模型。模型应用2层SDAE网络,以用户信息为网络输入量,将编码过程获得的用户辅助信息的隐表示和解码过程获得的输入近似表示为网络的双输出量,最小化用户辅助信息和近似表示的差值来确定最优隐表示。模型融合用户-项目评分矩阵(冷启动条件无评分)、项目内容信息和用户辅助信息实现用户对未评分项目的评分预测,并在LastFM、Book Crossing和MovieLens数据集上从推荐准确度、新颖性和用户冷启动条件下的推荐效果等3方面对SDAE-CTR模型和CTR模型进行比较。结果表明,SDAE-CTR模型在冷启动或非冷启动的条件下,推荐效果都要优于CTR模型的,虽然新颖性较CTR模型稍微逊色一些,但理论上在合理的范围内,总体上SDAE-CTR模型表现较优。(本文来源于《计算机工程与科学》期刊2019年05期）
彭怀瑾[4]（2019）在《基于LDA和潜在特征向量的文本表示模型研究》一文中研究指出文本分类作为处理非结构化信息的一种有效手段,在自然语言处理领域得到了广泛研究和应用。然而由于文本数据具有非结构化、高维性、高稀疏性等特征,因此能否有效地表示文本信息是影响后续文本处理效果的关键因素,文本分类的效果也高度依赖于文本表示模型的效果。常用的文本表示方法是基于文本主题的文本表示,因此主题模型的准确度直接影响文本表示的精度。本文主要从文本主题模型和文本表示模型两个方面展开研究。LDA模型是以全局的观念预测文档中的每个词,但它不包含文本特征词的上下文关系,缺失了文章的局部语义信息。目前基于LDA和潜在特征的模型改进方法分为两类,一类针对短文本,通过在大语料集上扩展词向量库改善模型效果;另一类通过词向量加和直接计算主题向量,此类方法词向量与主题向量分属不同语义空间,表示并不准确。考虑到LDA与现有改进模型的优缺点,本文将包含了文本语义特征的潜在特征向量引入模型,提出了基于LDA和潜在特征向量的文本主题表示模型LFV-LDA,在同一语义向量空间训练词向量、主题向量以及文档-主题-词的层次分布,改进后的模型可以直接输出文本主题向量。在新闻语料上对LFV-LDA模型进行训练和测试的实验结果表明,基于LDA和潜在特征向量的文本主题表示效果相对于传统的主题模型以及同类的LDA改进模型有了一定程度的改善。获得在文本分类中表现良好的文本主题向量后,本文在此基础上提出了两种文本表示方法。第一种是基于主题向量的概率分布关系的文本表示方法,该方法通过归一化加权统计主题向量的方式进行文本表示。第二种是基于Doc2Vec和主题向量的文本表示模型,该模型通过度量模型训练出的文档向量与主题向量的距离来将主题信息融入文本表示。最后在新闻语料上对模型进行训练和测试,实验结果表明,两个模型相较于传统模型都获得了更好的文本分类效果,且第二种文本表示模型效果优于第一种。(本文来源于《北京邮电大学》期刊2019-04-14）
宋正丹[5]（2018）在《图像多特征稀疏表示模型的优化方法》一文中研究指出计算机视觉领域需要解决的问题归根结底可看作是“什么东西在什么地方”,因此对图像的有效表示是最基本的研究问题之一,也具有重要的学术价值和实际意义。不同类别的图像具有不同特点,存在的问题多种多样,导致图像在应用过程中仍然存在一些尚未解决问题。图像表示是对图像有效地进行分析,获取图像中的关键信息,而且图像表示方法的性能对图像分类和识别的性能有着决定性的影响。图像的稀疏表示是一种鲁棒性、抗干扰性都较好的图像表示方法,它不仅可以有效地表示图像信息,还被广泛地应用于场景恢复、时空技术和其他机器视觉应用中。本文对图像的稀疏表示做了深入研究,借助多任务学习来同时学习多个特征任务,提升算法模型的泛化能力,提出了联合稀疏表示的多特征多任务学习框架(Decorrelating Multi-Task Learning Joint Sparse Representation,DMTJSR),用于学习更具有图像深层信息的图像表示,主要工作如下:首先,针对单任务特征表达的局限性,联合多特征提出去相关多任务多特征学习模型L2,1,1。该模型利用L1/L2,1混合范式提取特征,在不增加过多约束项的前提下,借助多任务学习理论,将多特征融合于模型中,改进稀疏感知基础计算模型。在采用固定字典方式学习图像的稀疏表示系数过程中,使得同种特征共享相同的稀疏模式,相似特征之间能具有相似的编码系数,同时能使不同特征去相关,去除过多错误冗余,改善了稀疏表示的局部性问题。其次,由于字典是影响稀疏表示的一项重要因素,因此结合字典学习方法优化L2,1,1模型,构建了 DMTJSR学习框架,通过该框架在提高字典的判别能力的基础上进一步提高特征表示在应用中的判别性。最后,考虑到字典与系数之间线性编码问题影响最终特征表示,将学习框架扩展到再生核Hilbert空间。通过引入核技术来解决编码过程中线性组合所带来的不足,保留具有图像本质的特征但却与字典呈非线性关系的特征。实验结果表明L2,1,1模型优于基础多任务模型,其特征表示性能要比目前先进方法要有优势。另外,通过对比DMTJSR和L2,1,1模型性能,不仅证明了字典学习的必要性,也证明了本文提出的DMTJSR学习框架有效性;此外DMTJSR扩展核空间弥补了线性表达的问题,进一步提高了图像表示性能。(本文来源于《延边大学》期刊2018-05-19）
刘清训[6]（2018）在《机器阅读理解中特征表示与模型融合对正确率影响的研究》一文中研究指出人工智能领域中机器阅读理解是自然语言处理(Natural Language Processing,NLP)方向的核心研究任务之一,其研究目标是让机器阅读原文之后,能够正确的回答与原文内容相关的问题。提高机器对文本阅读理解的正确率,可以促进机器翻译的准确度,信息检索的精准度,问答(Question Answer,QA)等NLP任务的研究,与此同时,文本特征的表示方式对机器做阅读理解的正确率也有一定的影响,所以文本特征表示和机器阅读理正确率提升的研究是一个很有实际应用价值的研究。为此,本文描述了文本特征处理过程,改进了2016年Mahmoud Nabil论文中对文本特征的表示方式,对于英文中带有“’”的单词,原来将其分成两个单词来对待的不合理的方式改为恢复补全缩写词.同时,将填充词用于待移除高低频的占位方式改为用另外一个词来代替,原来的填充词只做填充之用。在文本特征数值化后,不改变原有文本特征顺序的前提下,做到真正完全移除高低频词;在模型融合阶段,使用了已训练的词向量或位置词向量表征文本的语法和语义信息,同时基于现有的经典神经网络模型搭建系统融合需要的各个子模型。最后选取正确率高于65%的11个子模型进行软投票和硬投票的融合方式进行模型融合来提升机器阅读理解的正确率。最终,在训练数据上使用不同结构的子模型运行后进行模型融合对机器阅读理解任务表现性能的提升效果做出对比与分析。结果发现,完全移除高低频词后,模型预测效果有一定提升。而使用模型结构差异比较大的多个子模型进行融合,融合后的结果明显会比在单个子模型上融合效果要好。(本文来源于《云南大学》期刊2018-05-01）
李志义,黄子风,许晓绵[7]（2018）在《基于表示学习的跨模态检索模型与特征抽取研究综述》一文中研究指出以深度学习为代表的表示学习在语音识别、图像分析和自然语言处理领域获得了广泛关注与应用,它不仅推动了人工智能的深入研究和快速发展,而且促使企业思索新的运营与盈利模式。本文拟通过综述的形式对这些研究进行梳理,形成较为完整的综述。通过对国内外相关文献的调查和整理,从信息抽取与表示、跨模态系统建模两维度评述了基于表示学习的跨模态检索与特征抽取方面的研究成果。文章首先概括了自动编码器、稀疏编码、限制玻尔兹曼机、深度信念网络、卷积神经网络等五个经典的表示学习算法,然后从基于共享层建立各模态间的关联、表示空间中各模态间的关联、以深度学习为基础的跨模态建模算法等叁方面归纳跨模态系统建模研究的现状,最后总结了跨模态检索的评价指标。研究发现:已有检索研究对于单模态信息检索较为丰富,查询和候选集的内容均属于同一模态;跨模态检索也仅限于对图像、文本两个模态对齐的语料。未来需要增加语音、视频、图像、文本等多模态数据的检索,改进深度学习算法构建多模态检索模型,实现叁种或以上的跨模态检索。此外,尚需建立适合多模态检索系统的评价指标。(本文来源于《情报学报》期刊2018年04期）
刘冰瑶,马静,李晓峰[8]（2017）在《一种“特征降维”文本复杂网络的话题表示模型》一文中研究指出【目的】通过一种特征降维方法解决传统词同现导致文本复杂网络处理大规模语料库时的高维性和稀疏性瓶颈问题。【方法】以共现概率表示词语间互信息值,抽取大于阈值的词语组合,以此为基础根据句法结构获得叁级词条构建初始网络,通过修正算法完成文本复杂网络的进化,实现话题语义表达。【结果】以微博热门话题"全球爆发网络勒索病毒"下6 936条微博构建语料库进行实验,得到具有217个节点,2 019条边的网络模型,并用于微博话题特征发现研究,获得优化效果。【局限】文本复杂网络的网络节点权重赋值存在进一步探索的空间。【结论】该模型能够有效减少网络节点冗余,同时提高了文本复杂网络对话题的语义表达效果,为复杂网络理论用于文本挖掘提供一条新途径。(本文来源于《数据分析与知识发现》期刊2017年11期）
何敬,刘仁义,张丰,杜震洪,陈永佩[9]（2017）在《基于特征点群相似度计算模型的图像表示方法》一文中研究指出针对空间金字塔匹配模型缺乏对图像中视觉物体旋转、平移和缩放的考虑问题,提出了一种基于特征点群相似度计算模型的图像表示方法.基于词汇树模型的粗匹配结果,通过特征点群拓扑、方向、距离等计算其相似度,并以此作为评价指标对匹配结果进行过滤;根据由特征点群计算所得的标准差椭圆的圆心、旋转角度对金字塔匹配的图像划分子区域并进行调整,从而得到图像抗旋转、平移和缩放的表示.分别在自建校园建筑物数据集和自建物体图像数据集上对方法进行了验证和比较,结果表明,该方法提高了分类识别的准确率和检索的查全率,特别是对于包含明显旋转、平移和缩放变化的图像数据效果更好.(本文来源于《浙江大学学报(理学版)》期刊2017年05期）
朱合兴[10]（2017）在《基于蒙特卡罗树搜索的预测状态表示模型获取及特征选择研究》一文中研究指出近几年来,蒙特卡罗树搜索(Monte Carlo Tree Search,MCTS)算法成为人工智能领域研究的热点,被广泛应用于计算机游戏中,特别是在计算机围棋博弈中的应用取得了巨大的成功。MCTS算法基本思路是用节点表示状态,并用它到子节点的有向链接表示动作,迭代地构建搜索树,在给定域中找到最佳决策。每次迭代过程中,用树策略来平衡对节点的探索和利用,并用推广策略运行模拟产生估计值,然后将估计值更新到搜索树中。MCTS依赖较少的先验知识,能快速专注于搜索空间中最有价值的部分,有效地处理大规模系统决策问题。本文利用MCTS能处理大规模复杂系统问题的优势,研究了基于MCTS的预测状态表示(Predictive State Representations,PSR)模型获取方法和高维数据特征选择方法。PSR模型利用一组称为检验的完全可观测的量来表示系统的状态。PSR与其他建模方法相比,具有模型易于学习、需要较少的先验知识和表达能力强等优点,是对局部可观测动态系统建模的有效方法。建立PSR模型的核心问题之一是发现系统的检验核,然而现有的针对该问题的处理方法并不适用于大规模系统。本文的第一个主要工作是利用MCTS算法适用于大规模复杂系统的优势,研究基于MCTS算法的发现系统检验核新方法,进而学习大规模系统PSR模型。由于MCTS适用于在顺序决策问题中寻找最佳策略,这显然和检验核的发现问题是很不相同的。为此,本文首先将发现检验核问题转化为顺序决策问题的形式,然后提出能衡量模型准确性的模型熵的概念,并把模型熵作为评估函数,成功地将MCTS运算法用于处理发现检验核问题。特征选择方法在不改变原始特征空间的基础上剔除无关或冗余的信息,保留和分类任务相关度高的信息,是一个对高维数据降维的有效方法。特征选择算法降维后,能保持数据精确、易理解,且计算复杂度相对较低、运算效率高,所以研究可以高效处理高维数据的特征选择方法具有重要的意义和价值。本文的第二个主要工作是研究将MCTS应用于高维数据特征选择。由于MCTS处理的顺序决策问题与特征选择问题也很不一样。为此,本文首先将特征选择问题转化为顺序决策问题,然后用Relief算法计算的分类权重来衡量特征分类相关度,并将Relief算法作为评价函数,成功地将MCTS运用于特征选择问题。(本文来源于《厦门大学》期刊2017-06-30）
特征表示模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
运用传统的动作表示方法对动作特征进行表示,存在动作识别精度和识别效率较低的问题。为此提出一种优化的动作特征表示方法,即将动作整体特征与动作局部特征相融合,对动作特征进行全面的表示。动作整体特征采用传统人体姿态矩阵表示,动作局部特征采用人体骨骼关节点的旋转量表示。利用神经网络训练动作姿态符合度的网络模型,并依据网络模型输出的动作符合度,实现对动作姿态评测。实验表明,优化的动作表示方法,相较于传统的动作表示方法识别精度提高4.643%,具有较高的识别精度和识别效率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
特征表示模型论文参考文献
[1].朱艳丽,杨小平,王良,张志宇.TransRD：一种不对等特征的知识图谱嵌入表示模型[J].中文信息学报.2019
[2].王婧,谷林.一种优化动作特征表示的动作姿态评测模型[J].西安工程大学学报.2019
[3].谢国民,张婷婷,刘明,屠乃威,刘志邦.基于SDAE特征表示的协同主题回归推荐模型[J].计算机工程与科学.2019
[4].彭怀瑾.基于LDA和潜在特征向量的文本表示模型研究[D].北京邮电大学.2019
[5].宋正丹.图像多特征稀疏表示模型的优化方法[D].延边大学.2018
[6].刘清训.机器阅读理解中特征表示与模型融合对正确率影响的研究[D].云南大学.2018
[7].李志义,黄子风,许晓绵.基于表示学习的跨模态检索模型与特征抽取研究综述[J].情报学报.2018
[8].刘冰瑶,马静,李晓峰.一种“特征降维”文本复杂网络的话题表示模型[J].数据分析与知识发现.2017
[9].何敬,刘仁义,张丰,杜震洪,陈永佩.基于特征点群相似度计算模型的图像表示方法[J].浙江大学学报(理学版).2017
[10].朱合兴.基于蒙特卡罗树搜索的预测状态表示模型获取及特征选择研究[D].厦门大学.2017
论文知识图
