针对传统实体识别解决方案存在识别准确率较低、自适应能力差等问题,笔者提出一种基于Bert-BilLSTMCRF的神经网络模型识别互联网金融实体。首先,利用Bert模型对训练集进行预训练,获取抽象特征;其次,利用BiLSTM模型得到具有序列号的抽象...针对传统实体识别解决方案存在识别准确率较低、自适应能力差等问题,笔者提出一种基于Bert-BilLSTMCRF的神经网络模型识别互联网金融实体。首先,利用Bert模型对训练集进行预训练,获取抽象特征;其次,利用BiLSTM模型得到具有序列号的抽象特征;再次,把输出结果带入自注意力机制层中对结果进行加权求和,得到加权的抽象特征;最后,通过条件随机场(Conditional Random Filed,CRF)进行解码,提取真实实体。实验结果表明,该方法能够有效提升识别准确率。展开更多
LOD(Level Of Detail,层次细节)技术是解决大规模地形实时渲染的关键技术之一,通过这种技术可以较好地简化场景的复杂度,减少图形显示的失真度,满足一定的实时性要求。传统的算法将四叉树和LOD技术相结合将大规模数字高程模型数据(DEM)...LOD(Level Of Detail,层次细节)技术是解决大规模地形实时渲染的关键技术之一,通过这种技术可以较好地简化场景的复杂度,减少图形显示的失真度,满足一定的实时性要求。传统的算法将四叉树和LOD技术相结合将大规模数字高程模型数据(DEM)进行分块,并对块内数据按照分辨率的大小分层存储。通过对四叉树的研究,在限制性四叉树的基础上引入预处理算法,提高了地形读取速度,增强了实时显示效果。该算法是基于限制性四叉树的一种高效的规则网格划分方法,内存开销少,降低了CPU的负担。实验结果表明该算法提高了地形导入的效率,能实现大规模地形的实时漫游。展开更多
文摘针对传统实体识别解决方案存在识别准确率较低、自适应能力差等问题,笔者提出一种基于Bert-BilLSTMCRF的神经网络模型识别互联网金融实体。首先,利用Bert模型对训练集进行预训练,获取抽象特征;其次,利用BiLSTM模型得到具有序列号的抽象特征;再次,把输出结果带入自注意力机制层中对结果进行加权求和,得到加权的抽象特征;最后,通过条件随机场(Conditional Random Filed,CRF)进行解码,提取真实实体。实验结果表明,该方法能够有效提升识别准确率。
文摘LOD(Level Of Detail,层次细节)技术是解决大规模地形实时渲染的关键技术之一,通过这种技术可以较好地简化场景的复杂度,减少图形显示的失真度,满足一定的实时性要求。传统的算法将四叉树和LOD技术相结合将大规模数字高程模型数据(DEM)进行分块,并对块内数据按照分辨率的大小分层存储。通过对四叉树的研究,在限制性四叉树的基础上引入预处理算法,提高了地形读取速度,增强了实时显示效果。该算法是基于限制性四叉树的一种高效的规则网格划分方法,内存开销少,降低了CPU的负担。实验结果表明该算法提高了地形导入的效率,能实现大规模地形的实时漫游。
