基于微服务的大宗商品采销管理系统的设计与实现
这是一篇关于微服务架构,采销管理,句子嵌入的论文, 主要内容为随着互联网技术和经济水平的飞速发展,大宗商品交易开始由传统的线下交易逐步转移到线上来,其信息化管理的高低很大程度上影响着企业运营效益。早期系统服务端架构主要采用单体式架构和SOA架构开发,但这些传统的架构方式缺乏足够的弹性支持实际业务流程的变更,难以应对系统复杂性的增加。针对这些问题,本论文研究基于微服务架构的大宗商品采销管理系统的设计与实现,本文的主要研究内容如下:(1)针对传统的单体式架构和SOA架构开发的系统存在的不足,将采销管理系统拆分为会员、商品、交易、计划以及搜索五个独立的微服务,较大程度上使得系统各模块间的业务耦合性有所下降,提高系统的可扩展性和灵活性。(2)在系统搜索服务中,针对深度语义相似度算法进行研究。业内最新的深度语义匹配算法Sim CSE-BERTBase是在BERT的基础上基于对比学习技术计算训练的模型,其向量维度和BERTbase一样都是768维,因向量维度较高从而导致模型推理速度过慢,无法满足系统搜索服务的性能要求。针对该问题,本文提出了融合Tiny BERT模型和Sim CSE模型的文本向量化方法,实验结果表明,和原始的Sim CSE-Bert Base大模型相比,提出的Sim CSE-Tiny BERT小模型以2.26%的推理精度损失,获得了3.45倍的性能加速。(3)依据上述提出的微服务架构方法与文本向量化算法,运用Spring Cloud框架所提供的相关组件,对基于微服务的大宗商品采销管理系统进行设计与实现。本系统在功能和性能上均己满足企业在大宗商品采销管理上的核心需求,可以大幅度提升企业采购交易的管理与执行效率,同时系统具备较好的高可用性和可靠性。本论文所取得的成果对从事相关微服务工作的开发人员有一定的参考价值。
基于预训练模型的细粒度实体分类研究与实现
这是一篇关于细粒度实体分类,预训练模型,双曲空间,微调,句子嵌入的论文, 主要内容为随着互联网的发展,随时都会产生大量的非结构化的数据,所以需要利用信息抽取的技术对这些数据进行存储与利用。细粒度实体分类是信息抽取的关键性技术之一,为实体链接,知识图谱等任务提供支持。细粒度实体分类任务的目标是根据所提供的候选实体与其上下文,将候选实体归到正确的类别。与传统命名实体识别所不同的是,细粒度实体分类是多标签多分类任务,提取与细粒度实体分类任务紧密相关的特征,决定了分类结果的好坏,也会对下游任务产生影响。预训练模型得益于其强大的表征能力,自被研究者提出以来,广泛的应用在了自然语言处理的诸多领域。预训练模型主要通过特征提取与微调应用到具体任务中。在特征提取方面,本文使用ELMo预训练模型的词向量替代传统的词向量;在微调方面,本文使用BERT、XLNet、RoBERTa以及LUKE四种预训练模型进行细粒度实体分类,并通过基于Sentence-transformer和基于对比学习两种方式,对RoBERTa模型进行微调。论文的主要贡献如下:1.提出基于预训练词向量和双曲空间的细粒度实体分类方法。本文使用ELMo词向量进行细粒度实体分类任务,并且针对细粒度实体分类中类别过细,各类别之间出现了层次结构这一问题,使用更适合层次结构的双曲空间进行解决。实验验证了使用ELMo词向量与双曲空间进行细粒度实体分类的性能更好。2.提出基于微调预训练模型的细粒度实体分类方法。通过微调BERT、XLNet、RoBERTa以及LUKE进行细粒度实体分类。基于Sentence-transformer、对比学习对 RoBERTa 进行微调以获取具有语义信息的句子嵌入来进行细粒度实体分类。3.在UFET标准数据集上的实验结果验证了基于预训练词向量与基于微调的方法均能够提升细粒度实体分类性能。
基于预训练模型的细粒度实体分类研究与实现
这是一篇关于细粒度实体分类,预训练模型,双曲空间,微调,句子嵌入的论文, 主要内容为随着互联网的发展,随时都会产生大量的非结构化的数据,所以需要利用信息抽取的技术对这些数据进行存储与利用。细粒度实体分类是信息抽取的关键性技术之一,为实体链接,知识图谱等任务提供支持。细粒度实体分类任务的目标是根据所提供的候选实体与其上下文,将候选实体归到正确的类别。与传统命名实体识别所不同的是,细粒度实体分类是多标签多分类任务,提取与细粒度实体分类任务紧密相关的特征,决定了分类结果的好坏,也会对下游任务产生影响。预训练模型得益于其强大的表征能力,自被研究者提出以来,广泛的应用在了自然语言处理的诸多领域。预训练模型主要通过特征提取与微调应用到具体任务中。在特征提取方面,本文使用ELMo预训练模型的词向量替代传统的词向量;在微调方面,本文使用BERT、XLNet、RoBERTa以及LUKE四种预训练模型进行细粒度实体分类,并通过基于Sentence-transformer和基于对比学习两种方式,对RoBERTa模型进行微调。论文的主要贡献如下:1.提出基于预训练词向量和双曲空间的细粒度实体分类方法。本文使用ELMo词向量进行细粒度实体分类任务,并且针对细粒度实体分类中类别过细,各类别之间出现了层次结构这一问题,使用更适合层次结构的双曲空间进行解决。实验验证了使用ELMo词向量与双曲空间进行细粒度实体分类的性能更好。2.提出基于微调预训练模型的细粒度实体分类方法。通过微调BERT、XLNet、RoBERTa以及LUKE进行细粒度实体分类。基于Sentence-transformer、对比学习对 RoBERTa 进行微调以获取具有语义信息的句子嵌入来进行细粒度实体分类。3.在UFET标准数据集上的实验结果验证了基于预训练词向量与基于微调的方法均能够提升细粒度实体分类性能。
基于微服务的大宗商品采销管理系统的设计与实现
这是一篇关于微服务架构,采销管理,句子嵌入的论文, 主要内容为随着互联网技术和经济水平的飞速发展,大宗商品交易开始由传统的线下交易逐步转移到线上来,其信息化管理的高低很大程度上影响着企业运营效益。早期系统服务端架构主要采用单体式架构和SOA架构开发,但这些传统的架构方式缺乏足够的弹性支持实际业务流程的变更,难以应对系统复杂性的增加。针对这些问题,本论文研究基于微服务架构的大宗商品采销管理系统的设计与实现,本文的主要研究内容如下:(1)针对传统的单体式架构和SOA架构开发的系统存在的不足,将采销管理系统拆分为会员、商品、交易、计划以及搜索五个独立的微服务,较大程度上使得系统各模块间的业务耦合性有所下降,提高系统的可扩展性和灵活性。(2)在系统搜索服务中,针对深度语义相似度算法进行研究。业内最新的深度语义匹配算法Sim CSE-BERTBase是在BERT的基础上基于对比学习技术计算训练的模型,其向量维度和BERTbase一样都是768维,因向量维度较高从而导致模型推理速度过慢,无法满足系统搜索服务的性能要求。针对该问题,本文提出了融合Tiny BERT模型和Sim CSE模型的文本向量化方法,实验结果表明,和原始的Sim CSE-Bert Base大模型相比,提出的Sim CSE-Tiny BERT小模型以2.26%的推理精度损失,获得了3.45倍的性能加速。(3)依据上述提出的微服务架构方法与文本向量化算法,运用Spring Cloud框架所提供的相关组件,对基于微服务的大宗商品采销管理系统进行设计与实现。本系统在功能和性能上均己满足企业在大宗商品采销管理上的核心需求,可以大幅度提升企业采购交易的管理与执行效率,同时系统具备较好的高可用性和可靠性。本论文所取得的成果对从事相关微服务工作的开发人员有一定的参考价值。
基于预训练模型的细粒度实体分类研究与实现
这是一篇关于细粒度实体分类,预训练模型,双曲空间,微调,句子嵌入的论文, 主要内容为随着互联网的发展,随时都会产生大量的非结构化的数据,所以需要利用信息抽取的技术对这些数据进行存储与利用。细粒度实体分类是信息抽取的关键性技术之一,为实体链接,知识图谱等任务提供支持。细粒度实体分类任务的目标是根据所提供的候选实体与其上下文,将候选实体归到正确的类别。与传统命名实体识别所不同的是,细粒度实体分类是多标签多分类任务,提取与细粒度实体分类任务紧密相关的特征,决定了分类结果的好坏,也会对下游任务产生影响。预训练模型得益于其强大的表征能力,自被研究者提出以来,广泛的应用在了自然语言处理的诸多领域。预训练模型主要通过特征提取与微调应用到具体任务中。在特征提取方面,本文使用ELMo预训练模型的词向量替代传统的词向量;在微调方面,本文使用BERT、XLNet、RoBERTa以及LUKE四种预训练模型进行细粒度实体分类,并通过基于Sentence-transformer和基于对比学习两种方式,对RoBERTa模型进行微调。论文的主要贡献如下:1.提出基于预训练词向量和双曲空间的细粒度实体分类方法。本文使用ELMo词向量进行细粒度实体分类任务,并且针对细粒度实体分类中类别过细,各类别之间出现了层次结构这一问题,使用更适合层次结构的双曲空间进行解决。实验验证了使用ELMo词向量与双曲空间进行细粒度实体分类的性能更好。2.提出基于微调预训练模型的细粒度实体分类方法。通过微调BERT、XLNet、RoBERTa以及LUKE进行细粒度实体分类。基于Sentence-transformer、对比学习对 RoBERTa 进行微调以获取具有语义信息的句子嵌入来进行细粒度实体分类。3.在UFET标准数据集上的实验结果验证了基于预训练词向量与基于微调的方法均能够提升细粒度实体分类性能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码货栈 ，原文地址：https://bishedaima.com/lunwen/54729.html
