给大家分享5篇关于对抗网络的计算机专业论文

今天分享的是关于对抗网络的5篇计算机毕业论文范文, 如果你的论文涉及到对抗网络等主题,本文能够帮助到你

基于对抗网络的跨领域关系抽取研究与实现

这是一篇关于关系抽取,对抗网络,领域自适应,图模型,样本迁移的论文, 主要内容为随着计算机网络技术的发展以及智能设备的普及,人们通过互联网进行交流的热情愈发高涨,网络信息随之变得复杂多样。如果能够从大量非结构化的电子文本中快速准确地提取到真正有用的信息,将有助于人们理解并更好地利用这些信息资源。面对上述挑战,信息抽取技术应运而生,本文研究的关系抽取正是信息抽取的核心任务。关系抽取通过对文本信息建模,能够自动化地抽取实体对及其语义关系,完成信息语义挖掘。其得到形如<实体,实体,关系>的三元组可用于构建知识图谱、智能问答及智能搜索系统,用户从中可以快速获取所需要的知识,免于繁琐费时的筛选浏览工作。本文基于对抗网络方法对跨领域关系抽取问题展开研究。不同于广义关系抽取中对名词实体对的抽取,本文主要抽取目标是文本信息中的形容词名词对,这种关系抽取可以更好地帮助人类理解文本传达的意见信息。首先,提出了一种在对抗神经网络中融合弱监督标签的跨领域关系抽取框架。该方法充分发挥了图模型的图表示优势,能够对不同词对包之间以及包和提及之间的结构关系作出分析,进而产生目标域上的弱监督标签。基于上述获得的弱监督标签,设计新的目标函数在对抗网络框架下完成领域自适应模型训练。之后,针对图模型概率图计算效率低和神经网络训练速度慢等问题,为了保证模型在对即时性要求高的业务场景具有更强适应性,本文提出了样本和特征迁移结合的对抗网络训练框架。该框架在去除域相关样本后进行对抗领域自适应训练,可以有效地提升模型训练效率。以上两种算法模型的效果均在亚马逊五大产品评论数据集上得到实验验证。最后,基于上述两种算法设计并实现跨领域关系抽取系统,系统覆盖了数据处理、词对提及生成、抽取算法、模型预测等流程,实现了目标关系的自动化抽取。

基于对抗网络的跨领域关系抽取研究与实现

基于异构信息网络的虚假评论群组检测

这是一篇关于虚假评论群组,异构信息网络,有偏游走,对抗网络的论文, 主要内容为随着互联网技术的不断发展,电子商务也随之兴起,商品的评论成为了人们进行购买决策时重要的参考信息。为了获得可观的收益,商家通常雇佣多个虚假评论发布人对其竞争对手的产品进行恶意评论来诋毁产品的质量或者对自身的产品进行良好的评论来增加产品销售量。这些被雇佣一起进行不实评论的团体叫做虚假评论群组。对比于单个虚假评论人,虚假评论群组更隐蔽,对电商平台产生的威胁更大,严重影响了电商平台的公平性。为检测虚假评论群组,人们提出了各种检测方法。然而,这些方法存在着不能充分利用已有的信息和检测精度不高的问题。为解决上述问题,本课题从以下两方面进行研究。首先,针对不能充分利用现有信息的问题,本文提出一种基于异构信息网络的有偏游走虚假群评论组检测算法。该算法根据用户和商品评价信息建立具有权重信息的异构信息网络,采用元路径上有偏游走的方法生成用户和项目节点的低维向量表示。对用户向量采用K-Means++得到候选虚假评论群组,根据检测指标计算群组怀疑度。检测出虚假评论群组。其次,针对之前算法负采样只能选取现有节点不能更好的模拟真实节点的问题,提出一种基于生成对抗网络的虚假评论群组检测算法。算法将数据集中的购买与被购买关系提取出来,通过生成对抗网络中的广义生成器和关系感知鉴别器互相训练,生成更具代表性的节点特征向量。利用聚类方法对用户嵌入进行聚类,根据指标对候选群组排序。最终得到虚假评论群组。最后,本文提出的算法,在Amazon评论数据集及Miami评论数据集上进行了实验,并和已有的算法进行对比,用实验验证了两种算法的有效性。

基于生成对抗网络的鲁棒超链接研究

这是一篇关于鲁棒超链接模型,对抗网络,数字图像,屏摄信道,摩尔纹的论文, 主要内容为在多媒体和互联网时代,快速响应码(QR码,Quick Response Code)可以协助人们快速获取有效的信息。现在比较常见QR码包括二维码和条形码,二维码是由任意的黑白块构成,具有呆板、随意的外观,不具有可视化的效果,不能形象化表达语义信息,在很多场景下往往受到限制。最近,研究者提出鲁棒图像超链接模型,能够把超链接信息嵌入到图像载体中,再利用已训练好的模型进行超链接信息的提取与访问,便可以查看关于图像相关介绍。可将信息嵌入到包括电视、网站、展览和海报广告等媒介载体中以保护数字资源的知识产权。但当前鲁棒图像超链接模型存在着解码精度较低、编码图像不可见性较差等问题,因此本文开展基于生成对抗网络的鲁棒超链接方案研究,本文研究主要包括以下两个内容:(1)提出一种基于生成对抗网络的鲁棒超链接方案(RIW-GAN),它能够抵抗包括JPEG压缩、裁剪、旋转等在内的电子信道攻击。该方案基于改进的U-Net及Res Net设计RIW-GAN的编码器和解码器网络结构,通过跳跃层的链接更好地融合图像与超链接信息的特征,实现超链接信息更加准确地嵌入与提取。同时利用神经网络强大的拟合能力,编码器自动选取嵌入位置,将超链接信息嵌入到图像的复杂纹理中,提高编码图像的视觉质量。训练过程中,为尽可能约束编码图像与原始图像之间的差异性,本方案重构损失函数,引入更符合人类视觉特性的LPIPS指标引导编码器的训练,提升编码图像的不可见性。实验证明,与最新的模型相比,本方案提出的模型结构的编码图像有更高的不可见性以及解码准确度。(2)为实现鲁棒超链接模型在物理场景下的落地应用,抵抗现实场景中存在的拍照和打印等攻击,本文提出基于深度学习的屏摄鲁棒超链接方案(SSRH)。由于相机与显示屏频率相近时会产生摩尔纹攻击,该攻击极大地影响模型的解码精度,故本方案针对摩尔纹的产生原理进行分析并进行建模,在构建屏摄失真网络时,添加模拟的摩尔纹噪声层进行对抗训练,从而使模型提取超链接信息的精度进一步提高。实验证明,与最新模型相比,本方案提出的基于深度学习的屏摄鲁棒超链接模型具有更高的解码精度。综上,本论文研究的基于生成对抗网络的鲁棒图像超链接方案,不仅能够实现以图像为载体的隐蔽通信,还能够从电子信道或者屏摄信道的攻击中提取出超链接信息,能有效应用到现实物理场景。理论分析与实验验证了本论文所提方案的有效性。