检索结果

Select

1. 双线性内卷神经网络用于眼底疾病图像分类

杨洪刚, 陈洁洁, 徐梦飞

《计算机应用》唯一官方网站 2023, 43 (1): 259-264. DOI: 10.11772/j.issn.1001-9081.2021111932

摘要（317）

HTML （12）

PDF （2180KB）（172）

由于眼底图像具有复杂程度高、个体差异弱、类间距离短等特点，纯卷积神经网络（CNN）和基于注意力的网络并不能在眼底疾病图像分类任务上达到令人满意的精度。因此，采用involution算子实现了注意力双线性内卷神经网络（ABINN）模型用于眼底疾病图像分类。ABINN模型的参数量仅是传统双线性卷积神经网络（BCNN）模型的11%，并提取了眼底图像的底层语义信息和空间结构信息进行二阶特征融合，是CNN和注意力方法的有效并联。此外，提出了两种基于involution算子实现注意力计算的实例化方法：基于图块的注意力子网络（AST）和基于像素的注意力子网络（ASX），这两种方法可以在CNN的基础结构内完成注意力的计算，从而使双线性子网络能在同一个架构下训练并进行特征融合。在公开眼底图像数据集OIA-ODIR上进行实验，结果显示ABINN模型的精度为85%，比通用BCNN模型提高了15.8个百分点，比TransEye模型提高了0.9个百分点。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于双重最相关注意力网络的协同过滤推荐算法

张文龙, 钱付兰, 陈洁, 赵姝, 张燕平

计算机应用 2020, 40 (12): 3445-3450. DOI: 10.11772/j.issn.1001-9081.2020061023

摘要（365）

PDF （948KB）（394）

基于项目的协同过滤从用户的历史交互项目中学习用户偏好，根据用户的偏好推荐相似的新项目。现有的协同过滤方法认为用户所交互的一组历史项目对用户的影响是相同的，并且将所有历史交互项目在对目标项目作预测时的贡献看作是相同的，导致这些推荐方法的准确性受限。针对上述问题，提出了一种基于双重最相关注意力网络的协同过滤推荐算法，该算法包含两层注意力网络。首先，使用项目级注意力网络为不同历史项目分配不同的权重来捕获用户历史交互项目中最相关的项目；然后，使用项目交互级注意力网络感知不同历史项目与目标项目之间的交互关联度；最后，通过两层注意力网络的使用来同时捕获用户在历史交互项目上和目标项目上的细粒度偏好，从而更好地进行下一步推荐工作。在MovieLens和Pinterest两个真实数据集上进行实验，实验结果表明，所提算法在推荐命中率上与基准模型基于深度学习的项目协同过滤（DeepICF）算法相比分别提升了2.3个百分点和1.5个百分点，验证了该算法在为用户进行个性化推荐上的有效性。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于并行混合神经网络模型的短文本情感分析

陈洁, 邵志清, 张欢欢, 费佳慧

计算机应用 2019, 39 (8): 2192-2197. DOI: 10.11772/j.issn.1001-9081.2018122552

摘要（763）

PDF （884KB）（405）

针对传统的卷积神经网络（CNN）在进行情感分析任务时会忽略词的上下文语义以及CNN在最大池化操作时会丢失大量特征信息，从而限制模型的文本分类性能这两大问题，提出一种并行混合神经网络模型CA-BGA。首先，采用特征融合的方法在CNN的输出端融入双向门限循环单元（BiGRU）神经网络，通过融合句子的全局语义特征加强语义学习；然后，在CNN的卷积层和池化层之间以及BiGRU的输出端引入注意力机制，从而在保留较多特征信息的同时，降低噪声干扰；最后，基于以上两种改进策略构造出了并行混合神经网络模型。实验结果表明，提出的混合神经网络模型具有收敛速度快的特性，并且有效地提升了文本分类的F1值，在中文评论短文本情感分析任务上具有优良的性能。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于聚类粒化的社团发现算法

赵姝柯望陈洁张燕平

计算机应用 2014, 34 (10): 2812-2815. DOI: 10.11772/j.issn.1001-9081.2014.10.2812

摘要（317）

PDF （792KB）（431）

为了实现复杂网络社团发现算法的复杂度和精确度间的均衡，提出一种基于聚类粒化的社团发现算法(CGCDA)，将网络粒化获得的粒子视为一个社团，粒化结果即为对网络的社团划分。首先，将网络中的每个节点视为基本粒，通过初始粒化操作实现对网络的粒化；然后，针对获得的粒化集合中满足粒化系数的粒子进行聚类粒化操作，分层粒化直到不存在满足要求的粒子对；最后，将粒子对中的重叠节点视为孤立点，用邻居节点投票法把孤立节点归并到相应的粒子中，实现对复杂网络的社团划分。实验实现了Newman快速算法（NFA）、标号传播算法（LPA）和CGCDA。实验结果表明，CGCDA在四个基准数据集上可获得平均高于LPA 7.6%的模块度和低于NFA 96%的时间。CGCDA时间复杂度较低，获取的社团模块度较高，实现了社团发现时间和精确度的均衡，相比NFA、LPA总体性能更优。

参考文献 | 相关文章 | 多维度评价