首页期刊导航|计算机科学
期刊信息/Journal information
计算机科学
计算机科学

朱完元

月刊

1002-137X

jsjkx12@163.com

023-63500828

401121

重庆市渝北区洪湖西路18号

计算机科学/Journal Computer ScienceCSCD北大核心CSTPCD
查看更多>>本刊的读者对象是:大专院校师生,从事计算机科学与技术领域的科研、生产人员。办刊宗旨是:坚持“双百”方针,活跃计算机科学与技术领域的学术气氛,重点报导国内外计算机科学与技术的发展动态,为我国的计算机科学与技术立于世界之林、达到国际先进水平奋斗而矢志不渝。
正式出版
收录年代

    嵌套命名实体识别研究进展

    余诗媛郭淑明黄瑞阳张建朋...
    1-10,29页
    查看更多>>摘要:嵌套命名实体之间蕴含着丰富的语义关系与结构信息,对于关系抽取、事件抽取等下游任务的执行至关重要.近年来,深度学习技术由于能够获取文本中更为丰富的表征信息,在文本信息抽取模型的精确度上已经逐渐超过了传统基于规则的方法,因此许多学者开展了基于深度学习的嵌套命名实体识别技术研究,并获得了目前最先进的性能.对现有的嵌套命名实体识别技术进行了全面的综述,介绍了嵌套命名实体识别最具代表性的方法及最新应用技术,并对未来面临的挑战和发展方向进行了探讨和展望.

    嵌套命名实体序列标注超图跨度命名实体识别

    图神经网络社区发现研究综述

    宁懿昕谢辉姜火文
    11-16页
    查看更多>>摘要:社区结构是复杂网络中普遍存在的拓扑特性之一,发现社区结构是复杂网络分析的基本任务.社区发现旨在将网络划分为多个子结构,对于理解网络、揭示网络的潜在功能有着重要作用.图神经网络是一种处理图结构数据的模型,具有从图中对数据进行特征提取和表示的优势,已经成为人工智能和大数据领域的重要研究方向.网络数据就是典型的图结构数据,使用图神经网络模型解决社区发现问题,是社区发现研究的一个新方向.首先对GNN模型进行深入探讨,分析GNN社区发现过程,并从重叠社区和非重叠社区这两个方面详细讨论现有GNN社区发现取得的进展以及未来可研究的方向.

    图神经网络社区发现深度学习重叠社区发现非重叠社区发现

    基于CiteSpace的中文评论文本研究现状与趋势分析

    李建兰潘岳李小聪刘子维...
    17-21页
    查看更多>>摘要:自然语言处理一直是人工智能领域中的热点话题,其中基于评论的文本分析吸引了学者的注意.通过对国内关于评论文本分析的文献进行可视化分析,进而掌握该领域的研究现状和前沿发展趋势.以中国知网为数据来源,共选取453篇有效的核心期刊论文,使用CiteSpace软件绘制知识图谱并加以分析.分析结果显示:该领域的文献数量在近15年内整体呈上升趋势;作者之间、研究机构之间的合作关系并不紧密,尚未形成具有凝聚力的研究群体;情感分析、在线评论、深度学习是目前研究的主要热点.从初期的理论基础发展以及应用方向上的扩展,到后期在分析手段和模型上做出改进,学者们对该领域的研究逐渐深入.未来各研究者及研究机构之间的合作关系还需加强,以深度学习为代表的各类模型未来将持续发展和改善.

    文本分析情感分析特征提取评论CiteSpace

    集装箱码头岸桥最优调度理论研究和高效算法

    高熙孙未未
    22-29页
    查看更多>>摘要:岸桥调度问题是集装箱码头中最核心的调度问题之一.现有研究成果无法在可行时间内计算出对较大规模业务的最优调度,因此现有岸桥调度算法普遍采用启发式策略,以保障在可行时间内计算出一种调度.首先从理论角度证明了完工时间下界的正确性,设计了一种最优调度构造方法,完备了岸桥调度问题的理论体系;其次,在此理论工作基础上,设计了线性时间复杂度的算法求出最优调度;最后,用实验验证了所提方法在解的质量和效率上显著优于现有方法.

    岸桥调度完工时间下界最优解线性算法

    基于改进狮群进化算法的面向空间众包平台的多工作者多任务路径规划方法

    赵杨倪志伟朱旭辉刘浩...
    30-38页
    查看更多>>摘要:针对面向空间众包平台的多工作者多任务路径规划问题,以求解时间成本和路程成本最小的全局最优路径规划方案为目标,提出了基于改进狮群进化算法的路径规划方法.首先,结合现实问题场景,提出带有任务开始点和结束点的路径规划模型;其次,借鉴狮群进化算法的思想,改进狮群智能行为,引入驱逐行为,针对求解问题设计染色体编码方式、交叉、变异操作等,提出了面向空间众包平台的多工作者多任务路径规划的改进狮群进化算法;最后,运用改进狮群进化算法求解面向空间众包平台的多工作者多任务路径规划模型,并根据真实数据集制作问题算例进行测试.实验结果表明了算法的可用性和有效性.

    空间众包路径规划狮群进化算法

    基于LSTM混合模型的比特币价格预测

    张宁方靖雯赵雨宣
    39-45页
    查看更多>>摘要:聚焦于具有极度非线性、非平稳性等特征的比特币价格预测问题,在长短时记忆网络(Long Short-Term Memory,LSTM)基础上构建了4个混合预测模型,利用小波变换(Wavelet Transform,WT)以及自适应噪声的完备经验模态分解(Com-plete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对序列进行分解与重构,并引入了样本熵(Sample Entropy,SE)进行重构优化,使用LSTM对重构以后的子序列分别进行预测,最后将其叠加得到最终的预测结果.在预测结果的评判上,使用均方根误、平均绝对百分误以及希尔不等系数来进行拟合评价,并将结果与单一LSTM模型进行比较.研究发现混合模型的预测准确性均优于单一模型,且样本熵的引入可有效降低预测误差.

    比特币价格长短时记忆网络小波变换自适应噪声完备经验模态分解样本熵

    基于双路信息时空图卷积网络的交通预测模型

    康雁谢思宇王飞寇勇奇...
    46-51,62页
    查看更多>>摘要:随着深度学习的发展,神经网络在各个领域都有着大量的应用,智慧交通系统也不例外.交通流预测是智慧交通系统的基石,是整个交通预测的核心所在.近年来,图卷积神经网络的利用有效地提高了交通预测的性能,如何进一步提高对图的时空特征进行捕获的能力,将会成为热点.为了提升交通预测的精度,提出了一种基于双路信息时空图卷积网络的交通预测模型.首先,针对图卷积网络的交通预测模型在长距离依赖上建模有所不足,并且没有完全挖掘时空图信息之间的隐藏关系以及在时空图结构上还有信息缺失,提出了一种三重池化注意力机制来建模全局上下文信息.通过对图卷积层和时间卷积层各增加并行的三重池化注意力路径,构造了一个双路信息时空卷积层,提升了卷积层的泛化能力及模型捕获长距离依赖的能力,同时让时空卷积层能够很好地捕获时空图结构上的空间和时间特征,从而有效地提升了交通预测性能.在两个公共交通数据集(METR-LA和PEMS-BAY)上的实验结果表明,该模型具有较好的性能.

    交通预测图卷积神经网络全局上下文建模长距离依赖

    基于门控图卷积与动态依存池化的事件论元抽取

    王士浩王中卿李寿山周国栋...
    52-56页
    查看更多>>摘要:事件论元抽取是事件抽取任务中一个极具挑战性的子任务.该任务旨在抽取事件中的论元及论元扮演的角色.研究发现,句子的语义特征和依存句法特征对事件论元抽取都有着非常重要的作用,现有的方法往往未考虑如何将两种特征有效地融合起来.因此,提出一种基于门控图卷积与动态依存池化的事件论元抽取模型.该方法使用BERT抽取出句子的语义特征;然后通过依存句法树设计两个相同的图卷积网络,抽取句子的依存句法特征,其中一个图卷积的输出会通过激活函数作为门控单元;接着,语义特征和依存句法特征通过门控单元后相加融合.此外,还设计了一个动态依存池化层对融合后的特征进行池化.在ACE2005数据集上的实验结果表明,该模型可以有效地提升事件论元抽取效果.

    事件论元抽取图卷积依存句法特征语义特征门控机制

    基于公理化模糊集合的模糊推理方法

    康波潘小东王虎
    57-62页
    查看更多>>摘要:以公理化模糊集合理论作为基础,把模糊推理看成两个模糊隶属空间之间的映射,利用输入模糊集合在模糊隶属空间中的构成方式,给出了模糊推理输出结果的3种基本形式.对于强否定算子、t-模算子、t-余模算子,利用Minkowski积分形式的距离讨论了这些算子在模糊隶属空间中的扰动性,并在此基础之上分析所提模糊推理方法的连续性.

    公理化模糊集合模糊推理模糊隶属空间扰动性连续性

    一种新的优化机制:Rain

    刘华玲皮常鹏刘梦瑶汤新...
    63-70页
    查看更多>>摘要:在机器学习领域,传统模型的损失函数为凸函数,故具有全局最优解,通过传统的梯度下降算法可以求得最优解.但在深度学习领域,由于模型函数的隐式表达及同层神经元的可交换性,其损失函数为非凸函数,传统的梯度下降算法无法求得最优解,即使是较为先进的SGDM,Adam,Adagrad,RMSprop等优化算法也无法逃脱局部最优解的局限性,在收敛速度上虽然已经有很大的提升,但仍不能满足现实需求.现有的一系列优化算法都是针对已有优化算法的缺陷或局限性进行改进,优化效果有些许提升,但对于不同数据集的表现不一致.文中提出一种新的优化机制Rain,该机制结合深度神经网络中的Dropout机制,并融入到优化算法上得以实现.该机制并不是原有优化算法的改进版,而是独立于所有优化算法的第三方机制,但可以和所有优化算法搭配使用,从而提高其对于数据集的适应性.该机制旨在对模型在训练集上的表现进行优化,测试集上的泛化问题并不作为该机制的关注点.文中利用Deep Crossing和FM两个模型搭配5种优化算法,分别在Frappe和MovieLens两个数据集上进行实验,结果表明,加入Rain机制的模型在训练集上的损失函数值明显减小,且收敛速度加快,但其在测试集上的表现与原模型相差无几,即泛化性较差.

    深度学习优化算法Dropout机制Rain机制收敛速度