随着Web服务的指数级增长，建议使用各种协作QoS预测方法对服务质量（QoS）进行有效评估，并帮助用户选择合适的服务。 考虑到服务调用的复杂时空上下文的影响并在预测过程中利用它们的特征，仍然是一项技术挑战。 为此，我们提出了两个通用的时空上下文感知协作神经模型（STCA-1和STCA-2），通过考虑服务端和用户端的调用时间和多个空间特征来进行QoS预测。 我们提出的模型利用层次神经网络来实现原始特征的嵌入表达，二阶特征的生成，一阶和二阶特征的融合，空间特征之间的交互以及时态特征的逐层化。 特别地，引入注意力机制来自动地将权重分配给空间特征，并实现在特征融合中的判别性应用。。在大规模数据集上的实验证明了该方法的有效性：（1）。预测误差可以显着与基线方法相比尤其如此。在稀疏训练数据的情况下，我们的模型在MAE和NMAE方面的性能提高了约10.9–21.0％，在RMSE方面的性能提高了2.4–7.8％。 （2）注意机制使我们能够更合理地对特征融合的有效性做出直观的解释，从而增强了预测模型的可解释性。
2022-05-24 14:23:08
384KB
1
1、无产生式的上下文无关文法要满足条件
若P中含S ，则S不出现在任何产生式右部，其中S为文法的开始符号；
P中不再含有其它任何产生式。
2、构造无产生式的上下文无关文法变换算法：
G=(VN,VT,P,S) G’=(V’N,V’T,P’,S’)
（1）由文法G找出所有经过若干步推导能推出的非终结符，放在V0集合中。
2022-05-21 17:04:38
1.65MB
1
如果您想使用经典的 Windows 10 风格的右键单击上下文菜单而无需手动编辑您的注册表，您可以下载我们准备的注册表修改文件。
2022-05-20 17:01:17
734B
1
使用文档级上下文改进变压器翻译模型
内容
介绍
这是我们工作的实现，将Transformer扩展为集成文档级上下文[ ]。 该实现在
用法
注意：用法不是用户友好的。 以后可能会改善。
训练标准的变压器模型，请参考的用户手册。 假设model_baseline / model.ckpt-30000在验证集上表现最佳。
使用以下命令生成虚拟的改进的Transformer模型：
python THUMT/thumt/bin/trainer_ctx.py --inputs [source corpus] [target corpus] \
--context [context corpus] \
--vocabulary [source
2022-04-30 16:44:38
308KB
1
BERTScore利用来自BERT的预训练上下文嵌入，并通过余弦相似性匹配候选和参考句子中的单词
2022-04-24 16:26:45
577KB
1