基于自注意力与分段卷积神经网络的实体关系抽取

远程监督通过已有知识库的关系三元组和自然语言文本语料库进行启发式匹配,获得数据来完成关系抽取任务,解决有监督学习方法完全依赖人工标注数据的问题,但远程监督数据中会存在大量噪声关系标签.针对以上问题,提出了一种结合自注意力机制和分段卷积神经网络的实体关系抽取模型SAPCNN,首先通过自注意力机制捕获词与词之间的全局相关性...     

基于竞争的联想存储器学习算法

提出两种基于竞争的神经网络联想存储器学习算法－ＣＣ算法和ＡＣＣ算法,并证明算法得到的神经网络对任一输入模式的竞争收敛性,由ＣＣ算法得到的网络,利用ｐ＋ｎ个神经元存储ｐ个ｎ维样本模式;每个样本点都是吸引中心,不存在假吸引中心;对任一输入模式,总被吸引到与之海明距离最小的样本点上;不产生拒识点。     

基于竞争的联想存储器学习算法

提出两种基于竞争的神经网络联想存储器学习算法—CC算法和ACC算法 ,并证明算法得到的神经网络对任一输入模式的竞争收敛性 ,由CC算法得到的网络 ,利用 p n个神经元存储p个n维样本模式 ;每个样本点都是吸引中心 ,不存在假吸引中心 ;对任一输入模式 ,总被吸引到与之海明距离最小的样本点上 ;不产生拒识点 .ACC算法是CC算法的改进形式 ,所得网络可在自适应学习中收敛 ,竞争次数较CC算法大大降低 本文算法得到的网络在存储容量、容错能力方面好于Hopfield联想存储器及作为联想存储器使用的BP网络 .     

二分图中最小度条件与[a,b]—因子的存在性

Ｇ＝（Ｘ,Ｙ;Ｅ）为二侵略产,其中｜Ｘ｜＝｜Ｙ｜＝ｎ,证明了：若ｎ≥（ａ＋ｂ）＾２／ｂ－（ａ＋ｂ）／ｂ且δ（Ｇ）≥ａｎ／（ａ＋ｂ）,或δ（Ｇ）〉ａ＋ｂ＋ｎ－２√ｂｎ＋１,则Ｇ有「ａ,ｂ」－因子,并且将说明,条件δ（Ｇ）≥ａ／（ａ＋ｂ）ｎ为最好的;在当ｂ〈ｎ≤４ｂ且√ｂｎ＋ａ为整数时,δ（Ｇ）〉ａ＋ｂ＋ｎ－２√ｂｎ＋ａ也是最好的。     

二分图中最小度条件与[a,b]-因子的存在性

设G=(X,Y;E)为二分图,其中|X|＝|Y|＝n.证明了:若n≥((a+b)2)/(b)-(a+b)/(b)且δ(G)≥(an)/(a+b),或δ(G)＞a+b+n-2bn+1,则G有[a,b]-因子.并且将说明,条件δ(G)≥(a)/(a+b)n为最好的;而当b＜n≤4b且bn+1为整数时,δ(G)＞a+b+n-2bn+1也是最好的.