【摘 要】
：
多跳阅读理解需要基于问题并在多个支撑文档中寻找相关信息进行跳跃式推理来回答问题.针对当前多跳阅读理解模型中所存在的实体图内缺乏关键问题信息以及信息冗余问题,提出一种基于改进图节点的图神经网络多跳阅读理解模型.采用基于指代词的实体提取方法提取实体,将提取到的实体基于问题关联实体构建实体图.对实体图中的节点进行编码预处理,通过门机制的图卷积网络模拟得到推理信息,计算推理信息与问题信息的双向注意力并进行结果预测.在WikiHop数据集上的实验结果表明,该模型在测试集上取得了73.1％的预测准确率,相比基于图神经
【机 构】
：
贵州大学 计算机科学与技术学院,贵阳 550025;贵州大学 贵州省大数据产业发展应用研究院,贵阳 550025;贵州大学 计算机科学与技术学院,贵阳 550025;贵州大学 贵州省大数据产业发展应用
论文部分内容阅读
多跳阅读理解需要基于问题并在多个支撑文档中寻找相关信息进行跳跃式推理来回答问题.针对当前多跳阅读理解模型中所存在的实体图内缺乏关键问题信息以及信息冗余问题,提出一种基于改进图节点的图神经网络多跳阅读理解模型.采用基于指代词的实体提取方法提取实体,将提取到的实体基于问题关联实体构建实体图.对实体图中的节点进行编码预处理,通过门机制的图卷积网络模拟得到推理信息,计算推理信息与问题信息的双向注意力并进行结果预测.在WikiHop数据集上的实验结果表明,该模型在测试集上取得了73.1％的预测准确率,相比基于图神经网络、循环神经网络和注意力机制的多跳阅读理解模型准确率更高、泛化性能更强.
其他文献
随着图像测量技术在非接触、精度高、动态范围大、信息丰富、测量速度快、自动化程度高等方面的优异性逐渐获得了认可,图像测量技术也得到越来越广泛的应用。但是,在实际应用中,图像测量技术仍存在一些亟待满足的需求。目前想要提升测量精度的主要途径是硬件设备的更新换代,但是,硬件更换和升级是一个缓慢的过程,而且往往价格昂贵、难以符合通用的应用场合并且不利于大规模部署。在考虑如何对图像测量进行优化时,本文将注意力
在基于位置的社交网络(LBSN)中,用户可以在兴趣点(POI)进行签到以记录行程,也可以与其他用户分享自身的感受并形成社交好友关系.POI推荐是LBSN提供的一项重要服务,其可以帮助用户快速发现感兴趣的POI,也有利于POI提供商更全面地了解用户偏好,并有针对性地提高服务质量.POI推荐主要基于对用户历史签到数据以及用户生成内容、社交关系等信息的分析来实现.系统归纳POI推荐中所面临的时空序列特征提取、内容社交特征提取、多特征整合、数据稀疏性问题处理这4个方面的挑战,分析在POI推荐中使用深度学习方法解决
当今时代,互联网平台化和人工智能逐渐改变了人们的衣食住行,各行各业开始追求行业的数字化和智能化,从而达到行业的先进性和高效性。医疗行业在完成计算机数据平台化的同时,通过大数据分析、机器学习等技术处理大量的医疗数据,对于某些疾病的诊断起到辅助筛查的作用,这也逐渐成为近几年来现代医学发展的趋势。成人阻塞性睡眠呼吸暂停作为一种睡眠呼吸障碍疾病,存在诊断困难、诊断率低于实际发生率等情况。近年来研究表明患者
情感是人类的基础,通常与逻辑决策、感知、人际交往联系在一起,在人类的认知中起着重要的作用。近年来,随着人机交互应用在计算机辅助领域需求的快速发展,赋予计算机识别情感的能力逐渐成为一个备受关注的焦点。情感识别为人类与计算机之间提供情感交互的桥梁,赋予计算机检测、处理、回复人类情绪的能力。脑电信号作为中枢神经系统的信号,与大脑的情感活动息息相关,已经成为了识别情感的主要手段。作为大脑的一种高级活动,情
数据中心作为云计算的核心载体,通过对计算和带宽等资源的分配,支撑实际业务的运行。数据中心网络中的负载均衡策略能够将流量均匀地分配到各条路径上,减少带宽资源浪费或者形成系统瓶颈,提升传输整体性能。常用的等价多路径路由（ECMP:Equal-Cost Multi-Path routing）策略使用静态的哈希功能在不感知网络状况的情况下在路径之间上平均分配流量,在大象/老鼠流的混合或者网络拓扑非对称等情
置换检验方法在进行对比模式挖掘时,返回结果中存在许多冗余对比模式.利用Charm方法挖掘样本集合中的对比模式,提出基于固定属性置换的FSPRP和FEPRP算法,依次为不同长度的对比模式构建零分布,从而过滤冗余对比模式.FSPRP算法通过生成一定数量的置换样本集合构建零分布,FEPRP算法则通过计算每个模式的对比性度量值分布合并建立零分布.实验结果表明,FSPRP和FEPRP算法相较于比较约束法能够过滤较多数量的冗余对比模式,并且FEPRP算法生成的零分布更接近精确零分布.
新能源发电因具有不稳定的特点,给当前微电网的安全稳定运行带来数据集中存储、数据泄露、共享困难等问题.结合区块链的分布式架构、数据安全透明可追溯、去中心化等特点,设计一个微电网数据安全共享方案.在初始化阶段,用户需要完成账户注册并将智能电表接入数据采集器,利用改进的ElGamal加密算法对采集的数据进行加密,将打包好的数据区块对外广播,发起共识,采用积分取代传统区块链共识机制中的代币进行流通,待各节点达成共识后将数据包存储在链下数据库中,并将其存储地址返回至链上进行存储.数据共享的实现则需查询方提交访问申请
传统DBSCAN算法不能正确聚类密度不均匀的数据集,聚类结果受邻域阈值和密度阈值参数的影响较大.提出一种新的优化初始点和自适应半径的密度聚类算法.利用反向最近邻和相似度矩阵发现当前全局密度最大的数据样本,分析该样本周围密度的分布情况,采用自适应的方法计算当前簇的邻域阈值,并利用DBSCAN算法进行聚类.在人工数据集和UCI数据集上进行测试的结果表明,与经典的DBSCAN、OPTICS、RNN-DBSCAN算法相比,优化初始点和自适应半径的密度聚类算法在ARI、NMI、Homogeneity、Complet
会话情绪识别包括说话者自身情绪影响以及说话者之间情绪影响这2个重要因素,为了充分考虑上述影响因素以提高会话情绪识别效果,提出一种基于层次化关系图卷积神经网络(HRGCN)的识别方法.使用一个基础神经网络对会话序列的特征数据进行优化,按照不同的说话者划分出2个不同的会话子序列,采用2个局部关系图卷积神经网络(R-GCN)分别对2个子序列进行局部建模,按照会话发生的时间顺序重新整合局部建模后的2个子序列,并利用全局R-GCN对其进行全局建模.通过对输入的多模态特征数据的分层次建模,使得会话序列捕获到更多的上下
利用推荐系统进行群组推荐时,群组成员之间的交互关系对推荐结果有很大影响,但传统的群组推荐算法较少考虑用户信任度的重要性,致使社交关系信息不能得到充分利用.在群组融合时考虑群组内用户间的交互关系,提出一种基于用户信任度和概率矩阵的群组推荐算法.在获取用户信任度数据后,使用概率矩阵分解(PMF)算法补全信任度矩阵并进行归一化处理,得到相似度矩阵,同时在后验概率计算过程中加入用户间的信任度因素,通过极大化后验概率获得预测评分.在此基础上,对群组中用户的权重进行归一化处理,使用基于用户交互关系的权重策略融合群组成