【摘 要】
：
随着地理定位和地理标记技术的普及,许多基于位置的应用正在涌现,如附近美食的定位和酒店预订等。最近几年,许多学者对组合空间关键字查询(Co SKQ)进行了广泛的研究。然而,组合空间关键字查询问题通常只寻找一组对象作为结果。但在实际应用场景中,用户往往希望得到多组查询结果,并从中选择出其最感兴趣的查询结果。另外,现有处理Co SKQ问题的方法都基于索引结构,这不仅需要额外内存开销,而且不适用于流数据源
论文部分内容阅读
随着地理定位和地理标记技术的普及，许多基于位置的应用正在涌现，如附近美食的定位和酒店预订等。最近几年，许多学者对组合空间关键字查询(CoSKQ)进行了广泛的研究。然而，组合空间关键字查询问题通常只寻找一组对象作为结果。但在实际应用场景中，用户往往希望得到多组查询结果，并从中选择出其最感兴趣的查询结果。另外，现有处理CoSKQ问题的方法都基于索引结构，这不仅需要额外内存开销，而且不适用于流数据源。
针对以上问题，本文系统地研究了Topk组合空间关键字查询(TkCoSKQ)问题，主要贡献如下：
(1)定义了TkCoSKQ问题。给定查询位置、查询关键字、查询结果规模k和一个对象集，TkCoSKQ的目的是从对象集中检索得到包含k组能覆盖所有查询关键字且代价最小的对象集的集合。每组对象集的代价由其中的对象与查询位置的距离和对象之间的距离决定。
(2)提出基于范围约束的精确算法(RC)。该算法根据空间-文本相似性，对输入的数据集进行处理，过滤掉与查询关键字无关的对象之后将对象按照与查询点的距离从小到大排序存储。利用代价函数的组成特性，在限定范围内穷举可行解，通过迭代逐步得到k组代价最小的可行解集合。基于对象间的距离约束，本文提出了多种剪枝策略以减小检索范围，提高算法运行效率。
(3)提出基于查询距离驱动的启发式算法(QDD)。RC算法的计算过程中需要进行大量的穷举操作，从而导致昂贵的时间开销，因此进一步研究了解决TkCoSKQ问题的启发式算法以得到k组近似代价最小的可行解集合。QDD算法选定查询距离决策者确定查询范围，引入o-最近邻可行解的概念得到可行解。为了最小化搜索空间，本文提出了剪枝引理对检索过程中的不满足空间-文本相似性条件的对象提前剪枝。最后使用真实数据集展开了大量实验，设计了多组不同参数的实验来评估本文提出的算法在时间效率和近似比方面的表现，实验结果证明了本文所提出的理论结果的正确性以及本文提出的算法的有效性。
其他文献
随着互联网的发展，网络上产生了大量的文本数据，而如何快速地对这些文本进行分类是一个亟待解决的问题。传统的机器学习算法在文本特征提取上能力有限。近年来，随着深度学习算法的快速发展，文本语义信息的提取更加精确、完善，从而为文本分类性能的提升奠定了坚实的基础。目前，处理多标签文本分类比较常用的是SequencetoSequence模型，即利用编码器抽取文本特征，再利用解码器顺序输出文本的多个类别。与其它深度神经网络模型相比，Seq2Seq模型自带的注意力机制能够很好地突出文本中的关键信息，从而提升了模型的分类效
目标检测是计算机视觉领域最经典的任务之一，近年来基于深度神经网络的目标检测算法的研究取得了显著的突破。然而，深度学习目标检测算法需要对大量有标注数据的训练以获得更高的性能，而实际应用中有标注资源往往是稀缺的，大量的无标注数据需要人工对其进行标注。然而，人工标注通常是一个非常耗时、困难且成本高的过程。主动学习通过衡量和评估未标注样本所含有的信息量，挑选信息量最丰富即对模型训练最有利的样本进行人工标注，以实现仅对少量样本标注训练即可达到较高的模型性能，从而大幅提升人工标注效率，减少人工成本。本文的研究将针对在
随着互联网的快速发展，人们在网上活动越来越多，产生的数据量也在飞速地增长。海量的数据带来了严重的数据存储和处理问题。为了解决海量数据的计算和存储问题，云计算和云存储应运而生。为了获得巨大的存储空间和高性能的计算，越来越多企业和个人将自己的数据被外包到云端管理系统中。可是数据外包提供低成本存储和高效率计算的同时也带来了隐私泄露的问题。大量的数据暴露在云服务器端。恶意的管理者可以轻易地窥探数据所有者的隐私，从而损害数据所有者的利益。如果将数据完全加密再存储到云服务器，虽然可以避免隐私的泄露，但云服务器无法直接
随着智能辅助驾驶及自动驾驶系统的发展,复杂道路场景下基于视觉的车道线检测已成为热点研究课题。现有的车道线检测算法分为两大类,一类是基于传统图像处理的算法,另一类是基于深度神经网络的算法。第二类算法的准确性比第一类算法更高,但是也存在两个问题。(1)在复杂道路场景下,准确性会下降,主要原因是:深度神经网络的实际感受野远小于理论感受野;神经网络在推断时容易被无关的信息干扰。(2)深度神经网络算法在运行
随着互联网技术和产业的不断发展,如何保障网络接入设备的安全已经成为一个重要的议题。入侵检测系统可以很好地区分网络连接中的正常和异常行为,是保障网络安全的一个重要手段。然而现在的网络入侵方式往往使用多种机制来伪装攻击并逃避检测,这对入侵检测系统提出了新的挑战。虽然有许多来自机器学习和模式识别领域的监督和无监督学习算法已经被用于提高入侵检测系统的效率,但是它们还是存在一些问题。无监督学习的算法不需要大
图像补全是计算机视觉中的一个重要研究方向,具有广阔的应用前景。深度学习图像补全方法一般有基于自编码器、生成对抗网络和循环网络这三种基础技术的方法,然而大部分方法的输出结果都非常单一,对每一张缺损图像输入都只能生成一个补全结果。由于每一张缺损图像的可能结果所对应的概率空间非常大,为了获得补全结果的多样性,本文提出一种基于标签差异化的图像补全方法,称为LD-PICNet(Label Different
近几年，随着人工智能与多媒体技术的飞速发展，人们的工作、生活以及娱乐在智能终端呈现出丰富的多模态样式，导致多模态数据呈爆炸式地增长，这些数据主要包括文本、图像、音频等。由此，跨模态检索的研究逐渐成为多媒体领域的一大热点。并且由于不同模态数据之间表示的形态不同，计算机难以理解不同模态数据分别表示的对应的含义是否相同，使得跨模态检索也成为多媒体领域研究的难点之一。
菜谱中不同模态数据相互检索是人们生活中普遍的应用。本文主要研究的是针对图像和文本的跨模态菜谱检索，它是指从将菜谱中的文本作为查询，从图像
机器阅读理解是使机器阅读并理解给定文章和相关的问题，预测相关问题的答案。机器阅读理解是自然语言处理领域最重要的任务之一，被认为是人工智能发展过程中最具挑战性的方向之一。随着众多大规模高质量数据集的推出和各种深度神经网络的使用，机器阅读理解得到快速发展，进步显著，答案预测准确率远超人类。
近年来，预训练语言模型被创造性的提出。由于预训练语言模型的优秀表现，现有的绝大部分机器阅读理解模型，在编码阶段使用预训练语言模型编码给定的文章和文章相关的问题，在信息融合阶段使用多种注意力机制将文章信息跟其相关的
在当今大数据时代，大规模数据处理主要是基于分布式的并行处理计算，调度在提高大数据并行处理框架的性能方面起着重要作用。Spark作为大数据处理领域最新技术进展，其是一个基于内存计算的并行计算框架，使用多线程任务调度模型。在Spark任务调度过程中不会考虑内存资源，而是由用户设置参数确定任务执行进程中并发执行的任务线程数量。这对任务线程乃至整个应用程序的执行性能造成了潜在限制。为了克服现有的Spark任务调度中存在的这种限制，本文提出一种动态内存感知的Spark任务调度策略(Dynamic Memory-Aw
社交网络,通信网络、传感器网络等迅猛发展催生了大量快速变化的网络数据。由于图可以捕获网络数据中复杂的依存关系和交互作用,因此网络数据可以很自然地被表示为一个图。图数据通常是动态变化的,许多应用必须利用最新的图数据才能产生可以反映当前状态的结果。然而,传统的计算方式需要在整个数据集上重新运行,存在效率不高和资源浪费的问题。增量计算是提高大规模动态图处理效率的有效手段。它的基本思想是利用上一个图的计算