传统的文本生成对抗方法主要采用位置置换、字符替换等方式,耗费时间较长且效果较差。针对以上问题,该文提出一种基于改进蚁群算法的对抗样本生成模型IGAS(Improved ant colony algorithm to Generate Adversarial Sample),利用蚁群算...传统的文本生成对抗方法主要采用位置置换、字符替换等方式,耗费时间较长且效果较差。针对以上问题,该文提出一种基于改进蚁群算法的对抗样本生成模型IGAS(Improved ant colony algorithm to Generate Adversarial Sample),利用蚁群算法的特点生成对抗样本,并利用类形字进行优化。首先,构建城市节点群,利用样本中的词构建城市节点群;然后对原始输入样本,利用改进的蚁群算法生成对抗样本;再针对生成结果,通过构建的中日类形字典进行字符替换,生成最终的对抗样本;最后在黑盒模式下进行对抗样本攻击实验。实验在情感分类、对话摘要生成、因果关系抽取等多种领域验证了该方法的有效性。展开更多
随着Web服务数量的迅速增长,服务过载的问题逐步显现。为了解决服务过载的问题,帮助用户快速定位高质量服务,服务推荐成为了服务计算领域的研究热点。针对目前服务推荐中冷启动及数据稀疏的难点问题,提出了一种基于多目特征交叉的服务质...随着Web服务数量的迅速增长,服务过载的问题逐步显现。为了解决服务过载的问题,帮助用户快速定位高质量服务,服务推荐成为了服务计算领域的研究热点。针对目前服务推荐中冷启动及数据稀疏的难点问题,提出了一种基于多目特征交叉的服务质量(Quality of Service,QoS)预测推荐算法(Service Recommendation Algorithm Based on Multi-features Crossing,SRMFC),通过“词嵌入”方法实现多目特征的引入,提升算法在应对冷启动时的表现;同时,应用神经网络完成多目特征的自动交叉,相比于传统协同过滤(Collaborative Filtering,CF)、因子分解机(Factorization Machine,FM)等方法,该算法能实现特征之间相互关系的深入挖掘,从而提升算法在应对数据极度稀疏场景下的学习能力。在公共数据集上的实验结果表明,基于多目特征交叉的服务推荐算法在不同数据稀疏性场景下,相比于近几年主流的服务推荐算法,服务质量预测误差至少降低20%。展开更多
文摘传统的文本生成对抗方法主要采用位置置换、字符替换等方式,耗费时间较长且效果较差。针对以上问题,该文提出一种基于改进蚁群算法的对抗样本生成模型IGAS(Improved ant colony algorithm to Generate Adversarial Sample),利用蚁群算法的特点生成对抗样本,并利用类形字进行优化。首先,构建城市节点群,利用样本中的词构建城市节点群;然后对原始输入样本,利用改进的蚁群算法生成对抗样本;再针对生成结果,通过构建的中日类形字典进行字符替换,生成最终的对抗样本;最后在黑盒模式下进行对抗样本攻击实验。实验在情感分类、对话摘要生成、因果关系抽取等多种领域验证了该方法的有效性。
文摘随着Web服务数量的迅速增长,服务过载的问题逐步显现。为了解决服务过载的问题,帮助用户快速定位高质量服务,服务推荐成为了服务计算领域的研究热点。针对目前服务推荐中冷启动及数据稀疏的难点问题,提出了一种基于多目特征交叉的服务质量(Quality of Service,QoS)预测推荐算法(Service Recommendation Algorithm Based on Multi-features Crossing,SRMFC),通过“词嵌入”方法实现多目特征的引入,提升算法在应对冷启动时的表现;同时,应用神经网络完成多目特征的自动交叉,相比于传统协同过滤(Collaborative Filtering,CF)、因子分解机(Factorization Machine,FM)等方法,该算法能实现特征之间相互关系的深入挖掘,从而提升算法在应对数据极度稀疏场景下的学习能力。在公共数据集上的实验结果表明,基于多目特征交叉的服务推荐算法在不同数据稀疏性场景下,相比于近几年主流的服务推荐算法,服务质量预测误差至少降低20%。
