首页期刊导航|计算机工程
期刊信息/Journal information
计算机工程
华东计算技术研究所　上海市计算机学会
计算机工程

华东计算技术研究所　上海市计算机学会

游小明

月刊

1000-3428

hdsce@sohu265359.sohuvip.net

021-54972331

200233

上海市桂林路418号

计算机工程/Journal Computer EngineeringCSCD北大核心CSTPCD
查看更多>>本刊是中国电子科技集团公司第三十二研究所（华东计算技术研究所）主办的学术性刊物，是上海市计算机学会会刊。主要特点：以最快的速度、科学求实的精神，精选刊登代表计算机行业前沿科研、技术、工程方面的高、精、尖优秀论文。贯彻党的“双百”方针，繁荣科技创作，促进国内外学术交流，探讨和传播计算机科学的理论和实践，加速和促进我国计算机事业的发展。
正式出版
收录年代

    基于异质图嵌入和会话交互的课程推荐模型

    吴正洋张广涛黄立汤庸...
    95-103页
    查看更多>>摘要：大规模在线教育平台所形成的网络具有数据量大、实体类型丰富、关系复杂等特性.一方面,在线教育正在被大力普及,而另一方面,在线课程却面临低使用率、低完成度及高辍学率的问题.个性化的课程推荐有利于提高学习者的学习积极性,其中,课程能否顺利合格完成是学习者在选课时所考虑的重要因素.鉴于此,提出一种基于学习完成度预测的个性化课程推荐模型.对学生的课程学习会话图进行建模,根据学生的课程学习顺序以及课程的完成情况,生成学生的学习状态表征;同时考虑在线学习环境因素对课程的影响,构建在线课程学习异质图,采用图神经网络生成异质图中课程节点的嵌入;然后通过交互机制融合学习状态表征和课程嵌入,预测学生下一门将学课程的完成度,根据完成度排序从而实现课程推荐.在CNPC、HMXPC和Scholat 3个大规模在线课程学习数据集上的实验结果表明,该模型能有效提升推荐的准确度,在归一化折损累计增益(NDCG)和平均倒数排名(MRR)2个指标上相较于基线模型最优结果均有显著提升,评估指标K值取5时,其NDCG@5指标在3个数据集上分别提升21.08％、17.73％和5.41％,MRR@5指标在3个数据集上分别提升25.66％、31.59％和26.96％.

    异质图会话交互课程推荐图表征学习图神经网络

      原文链接:
    • 维普
    • 万方数据

    结合双流形映射的不完备多标签学习

    许智磊黄睿
    104-112页
    查看更多>>摘要：在多标签学习中,有效利用标签相关性可以提高分类性能.然而,由于人工标注标签的主观性和实际应用中标签语义的相似性,通常只能观察到不完备的标签空间,导致标签相关性的估计不准确,使得算法性能下降.针对该问题,提出一种结合双流形映射的不完备多标签学习(ML-DMM)算法.构造两种流形映射,一种是保留实例数据空间局部结构信息的特征流形映射,另一种是基于迭代学习得到的标签相关性的标签流形映射.首先通过拉普拉斯映射构造数据的低维流形,然后通过回归系数矩阵和标签相关性矩阵将初始特征空间和初始标签空间分别映射到该低维流形上,形成一种双流形映射结构来提升算法性能,最后利用迭代学习得到的回归系数矩阵进行多标签分类.在8个多标签数据集及3种标签缺失率情况下的对比实验结果表明,ML-DMM算法性能优于其他针对缺失标签的多标签分类算法.

    多标签学习缺失标签标签相关性低维流形双流形映射

      原文链接:
    • 维普
    • 万方数据

    基于YOLOv8的无人机图像目标检测算法

    赵继达甄国涌储成群
    113-120页
    查看更多>>摘要：在无人机(UAV)目标检测任务中,存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题.针对上述问题,提出改进YOLOv8s的无人机图像目标检测算法.首先,针对无人机拍摄目标普遍为小目标的应用场景,减少算法骨干网络(Backbone)层数,增大待检测特征图尺寸,使得网络模型更专注于微小目标;其次,针对数据集普遍存在一定数量低质量示例影响训练效果的问题,引入Wise-IoU损失函数,增强数据集训练效果;再次,通过引入上下文增强模块,获得小目标在不同感受野下的特征信息,改善算法在复杂环境下对小目标的定位和分类效果;最后,设计空间-通道滤波模块,增强卷积过程中目标的特征信息,滤除无用的干扰信息,改善卷积过程中部分微小目标特征信息被淹没、丢失的现象.在VisDrone2019数据集上的实验结果表明,该算法的平均检测精度(mAP@0.5)达到45.4％,相较于原始YOLOv8s算法提高7.3个百分点,参数量减少26.13％.在相同实验条件下,相比其他常见小目标检测算法,检测精度和检测速度也有一定提升.

    目标检测无人机小目标滤波改进YOLOv8算法注意力机制

      原文链接:
    • 维普
    • 万方数据

    基于RoBERTa和图增强Transformer的序列推荐方法

    王明虎石智奎苏佳张新生...
    121-131页
    查看更多>>摘要：自推荐系统出现以来,有限的数据信息就一直制约着推荐算法的进一步发展.为降低数据稀疏性的影响,增强非评分数据的利用率,基于神经网络的文本推荐模型相继被提出,但主流的卷积或循环神经网络在文本语义理解和长距离关系捕捉方面存在明显劣势.为了更好地挖掘用户与商品之间的深层潜在特征,进一步提高推荐质量,提出一种基于RoBERTa和图增强Transformer的序列推荐(RGT)模型.引入评论文本数据,首先利用预训练的RoBERTa模型捕获评论文本中的字词语义特征,初步建模用户的个性化兴趣,然后根据用户与商品的历史交互信息,构建具有时序特性的商品关联图注意力机制网络模型,通过图增强Transformer的方法将图模型学习到的各个商品的特征表示以序列的形式输入Transformer编码层,最后将得到的输出向量与之前捕获的语义表征以及计算得到的商品关联图的全图表征输入全连接层,以捕获用户全局的兴趣偏好,实现用户对商品的预测评分.在3组真实亚马逊公开数据集上的实验结果表明,与DeepFM、ConvMF等经典文本推荐模型相比,RGT模型在均方根误差(RMSE)和平均绝对误差(MAE)2种指标上有显著提升,相较于最优对比模型最高分别提升4.7％和 5.3％.

    推荐算法评论文本RoBERTa模型图注意力机制Transformer机制

      原文链接:
    • 维普
    • 万方数据

    基于事件演化图的多标记事件预测模型

    王华珍许泽孙悦丘斌...
    132-140页
    查看更多>>摘要：多标记事件预测是指预测多个相关联的事件是否会在未来发生,相比传统单标记事件预测,需要同时预测多个目标事件.现有的事件预测研究忽略各领域存在的多标记事件情境,且对多标记事件预测研究较少.提出一种基于事件演化图的多标记事件预测模型(MLEP),以实现基于事件演化图(EEG)的多标记事件预测研究模式.首先基于事件链构建事件演化图;然后对多标记事件预测问题进行问题转换,将多标记问题转化为单标记问题,利用事件表示学习方法获取所有事件的向量表示,对多标记事件进行编码;最后采用门控图神经网络(GGNN)框架构建多标记事件预测模型,根据相似度匹配出最优的后续事件,实现多标记事件的预测.在真实数据集上的实验结果表明,MLEP模型可以有效地预测出多标记事件,预测准确率达到了 65.58％,性能优于大多现有的基准模型,提升幅度达到了 4.94％以上.通过消融实验也证明了更好的事件表示学习方法对事件具有较好的表示效果,提升多标记事件预测的性能.

    多标记事件演化图事件表示学习门控图神经网络事件预测

      原文链接:
    • 维普
    • 万方数据

    融合双图卷积与门控线性单元的方面级情感分析模型

    杨春霞吴亚雷闫晗黄昱锟...
    141-149页
    查看更多>>摘要：方面级情感分析旨在确定句子中给定方面的情感极性.现有的基于图神经网络的方面级情感分析存在以下2个方面的不足:忽略了不同类型的句法依存关系和语料库中的词共现信息,以及不能准确地控制情感信息流向给定方面.针对以上问题,提出融合双图卷积与门控线性单元(GLU)的方面级情感分析模型.该模型首先采用全局词汇图来编码语料库中的词共现信息,在词汇图和句法图上利用分类概括结构来区分各种词共现频率和不同类型的句法依存关系.然后分别在2个图上进行双层卷积,继而使用BiAffine变换模块作为桥梁,在2个图卷积网络模块之间有效地交换相关特征,从而有效地融合句法信息和词汇信息.最后利用GLU控制情感信息流向给定方面,使模型可以更专注地分析与该方面相关的情感信息,避免不相关的情感信息影响对给定方面的情感分析结果,从而提高分析的准确性.实验结果表明,在Twitter、Laptop14、Restaurant15和Restaurant16数据集上,该模型的准确率分别达到74.82％、77.61％、82.29％和89.81％,F1值分别达到72.97％、73.52％、67.72％和73.37％,方面级情感分类效果明显优于其他基线模型.

    方面级情感分析词共现信息双图卷积信息交互门控线性单元

      原文链接:
    • 维普
    • 万方数据

    基于动态图注意力与标签传播的实体对齐

    莫少聪陈庆锋谢泽刘春雨...
    150-159页
    查看更多>>摘要：实体对齐是多源数据库融合的有效方法,旨在找出多源知识图谱中的共指实体.近年来,图卷积网络(GCN)已成为实体对齐表示学习的新范式,然而,不同组织构建知识图谱的目标及规则存在巨大差异,要求实体对齐模型能够准确发掘知识图谱之间的长尾实体特征,并且现有的GCN实体对齐模型过于注重关系三元组的结构表示学习,忽略了属性三元组丰富的语义信息.为此,提出一种实体对齐模型,引入动态图注意力网络聚合属性结构三元组表示,降低无关属性结构对实体表示的影响.同时,为缓解知识图谱的关系异构问题,引入多维标签传播对实体邻接矩阵的不同维度进行压缩,将实体特征根据压缩后的知识图谱邻接关系进行传播以获得关系结构表示,最后通过线性规划算法对实体表示相似度矩阵进行迭代以得到最终的对齐结果.在公开数据集EN-FR-15K、EN-ZH-15K以及中文医学数据集MED-BBK-9K上进行实验,结果表明,该模型的Hits@1分别为0.942、0.926、0.427,Hits@10 分别为 0.963、0.952、0.604,MRR 分别为 0.949、0.939、0.551,消融实验结果也验证了模型中各模块的有效性.

    数据库融合图卷积网络实体对齐标签传播线性规划

      原文链接:
    • 维普
    • 万方数据

    基于双向注意力机制的多模态关系抽取

    吴海鹏钱育蓉冷洪勇
    160-167页
    查看更多>>摘要：传统关系抽取方法从纯文本中识别实体对之间的关系,多模态关系抽取方法通过利用多种模态信息辅助关系抽取任务.针对现有多模态关系抽取模型在处理图像数据时存在容易受到冗余信息干扰的问题,提出一种基于双向注意力机制的多模态关系抽取模型.首先,采用来自Transformer的双向编码器表示(BERT)与场景图生成模型分别提取文本语义特征与图像语义特征.然后,利用双向注意力机制建立图像到文本与文本到图像的双向对齐机制,通过这种双向对齐机制实现图像与文本之间的双向信息交互,赋予图像中冗余信息较低的权重以削弱其对文本语义表示的干扰,从而减轻图像中冗余信息对关系抽取结果造成的负面影响.最后,将对齐后的文本特征表示与视觉特征表示相连接形成文本与图像的融合特征,通过多层感知机(MLP)计算所有关系分类的概率分数并输出预测关系.在用于神经关系提取的多模式数据集(MNRE)上的实验结果表明,该模型的精确率、召回率、F1值分别达到65.53％、69.21％与67.32％,相比于基准模型均有明显提升,具有较好的关系抽取效果.

    关系抽取社交网络冗余信息多模态数据双向注意力机制

      原文链接:
    • 维普
    • 万方数据

    基于对比学习与语言模型增强嵌入的知识图谱补全

    张洪程李林育杨莉伞晨峻...
    168-176页
    查看更多>>摘要：知识图谱是由各种知识或数据单元经过抽取等处理而组成的一种结构化知识库,用于描述和表示实体、概念、事实和关系等信息.自然语言处理技术的限制和各种知识或信息单元文本本身的噪声都会使信息抽取的准确性受到一定程度的影响.现有的知识图谱补全方法通常只考虑单一结构信息或者文本语义信息,忽略了整个知识图谱中同时存在的结构信息与文本语义信息.针对此问题,提出一种基于语言模型增强嵌入与对比学习的知识图谱补全(KGC)模型.将输入的实体和关系通过预训练语言模型获取实体和关系的文本语义信息,利用翻译模型的距离打分函数捕获知识图谱中的结构信息,使用2种用于对比学习的负采样方法融合对比学习来训练模型以提高模型对正负样本的表征能力.实验结果表明,与基于来自Transformer的双向编码器表示的知识图谱补全(KG-BERT)模型相比,在WN18RR和FB15K-237数据集上该模型链接预测的排名小于等于10的三元组的平均占比(Hits@10)分别提升了 31％和23％,明显优于对比模型.

    知识图谱补全知识图谱对比学习预训练语言模型链接预测

      原文链接:
    • 维普
    • 万方数据

    基于YOLO-Pose的城市街景小目标行人姿态估计算法

    马明旭马宏宋华伟
    177-186页
    查看更多>>摘要：现有的姿态估计算法在城市街景中对小目标行人的检测效果不佳.针对该问题,提出一种基于YOLO-Pose的小目标行人姿态估计算法YOLO-Pose-CBAM.通过引入CBAM注意力机制模块,在不增加过多计算量的前提下,增强网络聚焦小目标行人区域的能力,提升算法对小目标行人的敏感度,同时在主干网络中使用4个不同尺寸的检测头,丰富算法对图片中不同大小行人的检测手段;在骨干网络和颈部之间架设2条跨层级联通道,提升浅层网络与深层网络之间的特征融合能力,进一步增强信息交流,降低小目标行人漏检率;引入SIoU重新定义边界框回归的定位损失函数,加快训练的收敛速度,提高检测精度;采用k-means++算法代替k-means算法对数据集中标注的锚框进行聚类,避免聚类中心初始化时导致的局部最优解问题,从而选择出更适合检测小目标行人的锚框.对比实验结果表明,在小目标行人WiderKeypoints数据集上,所提算法相较于YOLO-Pose和YOLOv7-Pose在平均精度上分别提升了 4.6和6.5个百分比.

    YOLO-Pose算法姿态估计跨层级联CBAM注意力机制SIoU损失函数k-means++算法

      原文链接:
    • 维普
    • 万方数据