导读:本文包含了基于上下文模型论文开题报告文献综述及选题提纲参考文献，主要关键词:上下文词向量,实体消歧,知识库,主题词向量
基于上下文模型论文文献综述
王瑞,李弼程,杜文倩[1]（2019）在《基于上下文词向量和主题模型的实体消歧方法》一文中研究指出传统词向量训练模型仅考虑词共现而未考虑词序,语义表达能力弱。此外,现有实体消歧方法没有考虑实体的局部特征。综合实体的全局特征和局部特征,该文提出一种基于上下文词向量和主题模型的实体消歧方法。首先,在传统词向量模型上增加上下文方向向量,用于表征语序,并利用该模型与主题模型训练主题词向量;其次,分别计算实体上下文相似度、基于实体上下文主题的类别主题相似度以及基于主题词向量的实体主题相似度;最后,融合叁种相似度,选择相似度最高的实体作为最终消歧实体。实验结果表明,相比于现有的主流消歧方法,新方法是有效的。(本文来源于《中文信息学报》期刊2019年11期）
唐思雨[2]（2019）在《基于上下文语义嵌入的多原型词向量计算模型》一文中研究指出深度学习在自然语言处理领域显示出越来越重要的地位,词的向量化表示作为深度学习模型中最为常用的词语表示方法,直接影响着是否能充分表示文本特征。在多数词向量模型中,单词在不同的上下文语境中都是使用同一个词向量即单原型词向量,而实际的语言表达往往会存在单词语义的歧义性,有些单词在不同的上下文中表达不同的意思。目前的词向量计算多采用单原型词向量的表示方式,将多个语义合成为一个向量进行表示,这种方法并不能很好地表现出多义词在不同语境中有不同用法的特点。为了克服这个问题,本文提出了一种基于上下文语义嵌入的多原型词向量计算模型来对当前词向量模型进行改进。本文的工作主要包括下面几个部分:1)对于多原型词向量计算过程中的词义归纳问题,由于不同的词语在语义数量上的差异性,在对不同单词的语义进行聚类时类簇的数目K应该根据单词词义的复杂度确定。本文针对不同词语的语义数目不同问题和不同语义分布不均衡问题提出使用双参数狄利克雷构造贝叶斯非参数模型来解决;2)为了证明提出的贝叶斯非参数模型进行词义归纳可行性,根据提出的两种双参数狄利克雷过程构造方法的特点提出两种完整的词义归纳算法,对于其中的非参成分使用吉布斯采样进行参数推理,设置实验检验本文提出的两种构造方式对于SemEval-2010词义归纳问题的有效性;3)构建出一个完整的计算多原型词向量神经网络模型,该模型包括词义归纳、语义表示和语义消歧功能。模型使用长短期记忆网络(Long Short-Term Memory,LSTM)和神经张量网络(Neural Tensor Network,NTN),基于单词的上下文语境训练上下文向量,使用双参数狄利克雷过程对上下文向量所属语义簇进行判断以及偏移,最后通过单隐层神经网络计算每个簇的语义向量得到多原型词向量;4)将提出的神经网络模型使用Wikipedia2018数据进行训练,抽取数据集中出现次数较多的部分单词计算多原型词向量,训练使用的语料库为Wikipedia2018数据集。通过实验比较本文提出的模型和经典词向量模型的语义表示效果。通过在WSCS和WordSim353数据集进行单词语义相似度计算实验对本文算法和其它词向量算法效果提升进行量化。此外,为证明本文提出算法在自然语言处理应用上的有效性,将多原型词向量应用到命名实体识别和句子级别情感分析任务中,使用多种对比算法对本文提出的算法效果进行验证。(本文来源于《南京大学》期刊2019-05-23）
马增妍[3]（2018）在《基于卷积神经网络和上下文模型的目标检测》一文中研究指出安全问题是全社会共同关注的大事,安防工作是公安业务的一项重要工作,基于公共安全和公安业务的需要,目标检测应用技术的需求日益增长。其中,针对同一幅图像中存在特定空间位置关系的物体的目标检测在公安业务的需求中是频繁的。目标检测,是检测出一幅图像或者一段视频中包括的物体,在公安业务的需求中,我们经常需要识别存在特定空间位置关系的物体比如人和手提包等,本论文针对目标检测的经典算法R-CNN(Region Convolutional Neural Networks)算法的缺点,引入了一个上下文的学习模型,来刻画各类物体之间存在的空间位置关系,用其代替NMS(non-maxima suppression)算法。实验结果表明,对于经常同时出现在一幅图像中并存在特定空间位置关系的物体类别,本文方法的正确率比R-CNN算法有了较明显的提高。(本文来源于《中国安全防范技术与应用》期刊2018年06期）
宋勇,李旭,赵宇飞,郭拯坤,杨昕[4]（2018）在《基于主从记忆空间模型的时空上下文跟踪算法》一文中研究指出提出了一种基于主、从记忆空间模型的时空上下文跟踪算法。该算法将人脑记忆机制融入STC算法的时空上下文模板更新过程,通过构建主、从记忆空间,形成基于记忆的模板更新策略。同时,通过计算置信图多峰值点求取目标位置,提高目标跟踪精度。实验结果表明,所提出的算法可解决目标被遮挡、姿态突变、短暂消失后重现等条件下的跟踪精度下降问题,有利于实现鲁棒性、高精度运动目标跟踪。(本文来源于《兵器装备工程学报》期刊2018年12期）
康振声[5]（2018）在《基于上下文的异构网络嵌入模型》一文中研究指出真实世界中无论多么复杂的系统通常都可以用网络结构表示,比如学术网络、社交网络等。这些复杂系统往往包含复杂多样的信息,由其生成的网络通常为异构网络。异构网络嵌入研究的是如何结合异构网络中多种信息,学习网络中节点、边或者网络自身的特征向量。在本文中,异构网络的多种多样的信息被认为是多个上下文环境。例如在一个社交网络中,用户的上下文环境可以是好友关系、性别年龄等自身属性和发表的言论等。如今,来自互联网的庞大数据量和繁多的上下文环境给基于上下文的异构网络嵌入带了很大的挑战。其中一个主要的技术难题是同时训练来自异构网络的多个上下文空间和嵌入空间非常困难,容易出现上下文相互干扰而影响模型的收敛。在这样的背景环境下,本文主要研究基于上下文的异构网络嵌入方法,设法解决多个上下文的训练问题。本文利用预训练上下文的方法简化了模型,使模型的收敛速度极大的提高。本文采用边采样方法并为不同类型的边设置不同的学习率来替代元路径采样,既避免了元路径设计的难题又提高了采样的效率。除此之外,本文还引入了一些新的技术优化基于上下文嵌入模型。一方面引入半监督分类损失优化模型目标函数。另一方面利用图卷积模型学习更高级的上下文向量和嵌入向量。同时,本文还改进了图卷积模型以提高训练速度。经过实验证明,预训练上下文和边采样能够显着的提高模型收敛速度和采样速度;半监督分类损失优化目标函数的实验中,得到的嵌入空间内同类节点相互靠近,非同类节点相互远离,聚类性质很强,更加适合目标任务;在改进的图卷积模型实验中,模型能在保持性能的前提下,显着提高计算效率。(本文来源于《哈尔滨工业大学》期刊2018-12-01）
吴晓强,张春友,侍红岩[6]（2018）在《基于上下文感知的物联网智能交互模型》一文中研究指出物联网环境下,任何实体之间都可通过上下文实现信息交互,建立一个智能化的交互平台。因此,基于上下文感知的智能交互成为物联网环境研究的重点。为了提高物联网环境的智能交互性能,文中基于Storm框架,构建了一个基于上下文感知的智能交互模型。该模型包括上下文适配、上下文存储和上下文感知叁个核心部分,完成了末端数据采集到上下文信息的转换、高效的上下文信息存储与共享以及上下文信息的自动感知。(本文来源于《物联网技术》期刊2018年11期）
于静[7]（2018）在《基于网格计算和上下文感知的经济信任评价模型的研究》一文中研究指出当前的基于网格计算的经济信任评价机制不完善,这会大大影响网格资源的共享和效率。本文在传统的基于网格计算的经济模型基础上,提出了上下文感知经济信任评价控制模型。通过上下文相似度估计,有效估算陌生实体的信任度,依据实际交易情况对交易实体提出激励处罚机制。此外,提出了基于信任评价的网格计算经济体系结构和评价流程,降低了(本文来源于《电脑迷》期刊2018年11期）
张博,江沸菠,刘刚[8]（2018）在《利用视觉显着性和扰动模型的上下文感知跟踪》一文中研究指出为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显着性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显着性构建目标稀疏显着性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。(本文来源于《光学精密工程》期刊2018年08期）
杨洋[9]（2018）在《空时上下文模型下基于多种特征融合的监控目标跟踪》一文中研究指出随着视频处理技术和网络技术的发展,视频监控应用逐渐渗透到了人们日常活动中的方方面面,如何设计实现精度高、鲁棒性好的目标跟踪技术仍然是当今研究的热点及难点;在工程应用实践的基础上,提出一多特征融合与自适应模型更新的空时上下文目标跟踪算法,通过将丰富多样的多特征信息整合到空时上下文模型中;由于多特征具有互补特性,可以克服单一特征对目标区域描述不足的缺陷,提升算法的抗干扰能力;同时,也提出了一种自适应学习因子策略,增强了模型的泛化能力;选取的特征集是鲁棒的,包括了颜色、梯度、方向、点特征等总共19个特征,其中子块大小是11×11,高斯核方差为2,损失项正则参数为0.005,其余参数设置与STC保持一致;大量的仿真实验结果表明所提出的改进算法在跟踪中心误差指标上比现有的KCF,MFC和STC跟踪算法分别提高了5.4%,2.1%和3.6%,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。(本文来源于《计算机测量与控制》期刊2018年06期）
纪少敏[10]（2018）在《基于上下文约束的角色过滤模型》一文中研究指出在通信技术迅速发展的今天,网络技术也得到了高速发展,网络环境实现了更多用户在共同任务上的通信和协作,信息在更大范围内实现了共享。在网络技术给生活带来方便的同时,也使得信息安全问题成为重大隐患,无论是防止信息资源不被泄露还是提高系统的授权效率都是需要关注的问题。访问控制技术正是解决上述问题的有效措施。本文从上述背景出发,对基于角色的访问控制模型进行了工程实践和理论研究。基于角色的访问控制模型授权方式简单,权限管理方便,并且支持灵活的安全策略,自提出以来就得到了广泛的关注。但随着网络环境越来越复杂,基于角色的访问控制模型也暴露出了缺陷:在将模型应用在网络环境时,系统中角色数的暴增使得用户无法快速查询合适的角色来激活,也称为用户角色查询问题。激活角色是基于角色的访问控制模型授权的关键环节,因此用户查询角色的快慢直接影响模型的授权效率,必须对模型进行扩展和优化。基于上述研究内容,本文以解决模型在网络环境中应用时存在的用户角色查询问题为目标,提出了一个基于上下文约束的角色过滤模型,并给出了模型在着名安全框架中的实现。本文通过不断的研究,取得了一定的创造性成果,主要包括以下几点:首先,本文通过分析、总结出了几种上下文感知应用,并且描述了一般网络背景中的上下文信息。同时,为了利用上下文信息解决用户角色查询问题,本文阐述了模型层面的上下文约束分类,规范化定义了上下文约束,并给出了上下文约束的生成过程。其次,本文提出了基于上下文约束的角色过滤模型。在用户、角色、权限和会话的基础上,新引入了上下文属性、上下文条件和过滤集元素,并且建立了上下文属性和用户、上下文条件和角色两对关系。该模型在运行时通过实时检测上下文属性来获取用户的上下文信息,并利用上下文信息来评估分配给角色的上下文条件,最终根据评估值过滤掉不满足上下文约束的角色。这种方式在保证细粒度的访问控制下,缩减了用户所要查询的角色范围,使得用户可以快速找到合适的角色,进而提高了模型的授权效率。接着,本文给出了扩展模型中各个组件的功能描述,包括:系统管理函数,系统支持函数,系统审阅函数和角色过滤函数,其中角色过滤函数描述了从用户的上下文属性变化到过滤角色之间的过程。功能描述概述了创建和维护模型组件以及支持系统运行所需要的各种函数接口,这些函数在实现中可以打包成更高级别的抽象操作。最后,本文基于成熟的安全框架给出了模型的实现,进一步说明了模型的授权过程和可行性。本文侧重研究访问控制模型在网络环境中的应用,不仅依据复杂的实际需求提出了新的访问控制模型,定义了模型的元素和关系,同时也给出了模型的授权过程。拓展了访问控制模型在网络环境中的应用,对未来的相关的研究具有一定的启发。(本文来源于《西安电子科技大学》期刊2018-06-01）
基于上下文模型论文开题报告
（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：
深度学习在自然语言处理领域显示出越来越重要的地位,词的向量化表示作为深度学习模型中最为常用的词语表示方法,直接影响着是否能充分表示文本特征。在多数词向量模型中,单词在不同的上下文语境中都是使用同一个词向量即单原型词向量,而实际的语言表达往往会存在单词语义的歧义性,有些单词在不同的上下文中表达不同的意思。目前的词向量计算多采用单原型词向量的表示方式,将多个语义合成为一个向量进行表示,这种方法并不能很好地表现出多义词在不同语境中有不同用法的特点。为了克服这个问题,本文提出了一种基于上下文语义嵌入的多原型词向量计算模型来对当前词向量模型进行改进。本文的工作主要包括下面几个部分:1)对于多原型词向量计算过程中的词义归纳问题,由于不同的词语在语义数量上的差异性,在对不同单词的语义进行聚类时类簇的数目K应该根据单词词义的复杂度确定。本文针对不同词语的语义数目不同问题和不同语义分布不均衡问题提出使用双参数狄利克雷构造贝叶斯非参数模型来解决;2)为了证明提出的贝叶斯非参数模型进行词义归纳可行性,根据提出的两种双参数狄利克雷过程构造方法的特点提出两种完整的词义归纳算法,对于其中的非参成分使用吉布斯采样进行参数推理,设置实验检验本文提出的两种构造方式对于SemEval-2010词义归纳问题的有效性;3)构建出一个完整的计算多原型词向量神经网络模型,该模型包括词义归纳、语义表示和语义消歧功能。模型使用长短期记忆网络(Long Short-Term Memory,LSTM)和神经张量网络(Neural Tensor Network,NTN),基于单词的上下文语境训练上下文向量,使用双参数狄利克雷过程对上下文向量所属语义簇进行判断以及偏移,最后通过单隐层神经网络计算每个簇的语义向量得到多原型词向量;4)将提出的神经网络模型使用Wikipedia2018数据进行训练,抽取数据集中出现次数较多的部分单词计算多原型词向量,训练使用的语料库为Wikipedia2018数据集。通过实验比较本文提出的模型和经典词向量模型的语义表示效果。通过在WSCS和WordSim353数据集进行单词语义相似度计算实验对本文算法和其它词向量算法效果提升进行量化。此外,为证明本文提出算法在自然语言处理应用上的有效性,将多原型词向量应用到命名实体识别和句子级别情感分析任务中,使用多种对比算法对本文提出的算法效果进行验证。
（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。
基于上下文模型论文参考文献
[1].王瑞,李弼程,杜文倩.基于上下文词向量和主题模型的实体消歧方法[J].中文信息学报.2019
[2].唐思雨.基于上下文语义嵌入的多原型词向量计算模型[D].南京大学.2019
[3].马增妍.基于卷积神经网络和上下文模型的目标检测[J].中国安全防范技术与应用.2018
[4].宋勇,李旭,赵宇飞,郭拯坤,杨昕.基于主从记忆空间模型的时空上下文跟踪算法[J].兵器装备工程学报.2018
[5].康振声.基于上下文的异构网络嵌入模型[D].哈尔滨工业大学.2018
[6].吴晓强,张春友,侍红岩.基于上下文感知的物联网智能交互模型[J].物联网技术.2018
[7].于静.基于网格计算和上下文感知的经济信任评价模型的研究[J].电脑迷.2018
[8].张博,江沸菠,刘刚.利用视觉显着性和扰动模型的上下文感知跟踪[J].光学精密工程.2018
[9].杨洋.空时上下文模型下基于多种特征融合的监控目标跟踪[J].计算机测量与控制.2018
[10].纪少敏.基于上下文约束的角色过滤模型[D].西安电子科技大学.2018