何珑
- 作品数：14 被引量：45H指数：4
- 供职机构：福州大学更多>>
- 发文基金：福建省自然科学基金国家自然科学基金福建省重点科技计划项目更多>>
- 相关领域：自动化与计算机技术电子电信环境科学与工程天文地球更多>>
- 基于GPRS/短信息/CSD的无线广域网系统研究
- 该文从计算机开放系统互联参考模型入手,按OSI参考模型7层协议结构顺序,逐步介绍了在无线广域网环境中OSI层次模型的特点,在此基础上,详细分析了GPRS/GSM技术和短信息技术,并给出一个基于GPRS/短信息/CSD的无...
- 何珑
- 关键词：GPRSGSM无线广域网短信息
- 文献传递
- 构建环境突发事件应急处置信息系统被引量：5
- 2006年
- 针对突发环境事件,利用地理信息系统及数据库技术,汇总现场数据和图像等有关信息,整合各种数据资料及应急处置情况,将有关信息网上发布,构建突发环境事件信息系统。
- 张建何珑
- 关键词：WEB技术突发环境事件地理信息系统
- 基于逻辑数据模型的异构数据交换规则研究被引量：3
- 2003年
- 文章在研究与分析异构数据对应规则和异构数据转换规则的基础上,提出了建立在XML和面向对象数据库逻辑数据模型之上的异构数据交换规则。
- 何珑林锦贤
- 关键词：逻辑数据模型面向对象数据结构
- 基于GPRS/短信息/CSD的无线广域网通信设计
- 2003年
- 本文讨论了基于GPRS/短信息 /CSD的无线广域网通信协议设计 ,包括数据帧格式设计技术。
- 何珑
- 关键词：无线广域网通信短信息通信协议
- 基于GPRS/短信息/CSD的无线广域组网被引量：11
- 2004年
- 讨论了基于GPRS/短信息/CSD的无线广域网组网设计方法,包括数据传输/收发方式的选择,网络的拓扑结构,网络模型设计等相关技术。
- 何珑林锦贤
- 关键词：GPRS短信息无线广域网组网
- 基于均衡接近度增强时间的兴趣点推荐模型被引量：3
- 2020年
- 针对现有的兴趣点推荐算法存在用户签到数据稀疏的问题和用户兴趣的动态变化问题,提出了基于均衡接近度增强时间的兴趣点推荐模型.首先,采用均衡接近度方法计算时间相似度,获得时间影响模型.然后,结合融入兴趣点流行度的空间影响模型,建立矩阵填充模型,将得分最高的前s个兴趣点填充进矩阵.最后,将时间因素融入到矩阵分解模型中,进行优化求解.实验结果表明,该模型更有效地缓解数据稀疏性和用户兴趣动态变化的问题,推荐性能明显优于其他的基准模型.
- 陈江美张岐山张文德何珑
- 关键词：矩阵分解
- 环境事件应急综合信息系统研究被引量：1
- 2008年
- 通过对环境事件全面分析,阐述了环境事件应急综合信息系统的建设原则、总体目标和建设内容。通过对多种危险品的分析和归纳,对环境事件应急处理、应急处置、现场指挥、应急预案生成、应急报告生成,建立环境事件应急综合信息系统。
- 张建何珑
- 关键词：环境事件应急信息系统
- 融合潜在兴趣和多类型情景信息的兴趣点推荐模型被引量：2
- 2021年
- 【目的/意义】在现有的兴趣点推荐工作普遍存在数据稀疏和低精确率问题的基础上,提出了一种融合潜在兴趣和多类型情景信息的兴趣点推荐模型。【方法/过程】该模型分为矩阵填充和矩阵分解两个阶段。首先利用社交和地理信息建立矩阵填充模型,为每个用户学习一组待填充兴趣点。其次,将分类信息嵌入加权矩阵分解模型来学习用户偏好。最后,采用自适应核密度估计对地理影响建模,结合矩阵分解的结果得到GSC-WMF模型。【结果/结论】实验结果表明,该模型在推荐的准确率和召回率上相较其他主流模型取得了更好的结果。【创新/局限】提出了矩阵填充模型来发掘用户的潜在兴趣,并有效地将融合分类信息来解决用户隐式信息反馈问题。在未来的研究工作中,将考虑利用深度学习技术来改善推荐性能。
- 陈江美张岐山张文德何珑
- 关键词：社交关系分类信息核密度估计地理信息
- 融合多特征的产品垃圾评论识别被引量：5
- 2012年
- 针对JINDALN等人新近提出的利用逻辑回归模型识别产品垃圾评论的检测方法中使用过多产品评论特征这一问题,分析了解决方法,并提出对特征进行显著性检验。通过对亚马逊数据集的实验结果表明,采用显著性特征建立的回归模型优于所有特征建立的模型。新模型不仅解决了上述问题,减少了计算量,而且整体性能不变,这表明以显著性特征建模有助于提高模型的检测质量。
- 吴敏何珑
- 关键词：逻辑回归
- 基于BiLSTM-CRF的MOOC课程评论抽取研究被引量：4
- 2021年
- 文中主要研究从MOOC课程评论中抽取评价对象和评价词的方法。将MOOC课程评论评价对象和评价词的抽取问题看作序列标注问题,利用BiLSTM模型获取MOOC课程评论中评价对象和评价词的上下文信息,利用CRF模型获取MOOC课程评论中评价对象和评价词的整体信息,从而标注出MOOC课程评论中评价对象和评价词。提出的MOOC课程评论评价对象和评价词抽取方法的准确率为82.62%,召回率为84.10%,F1值为83.35%。实验结果表明,文中提出的BiLSTMCRF模型可以有效地从MOOC课程评论中抽取评价对象和评价词。
- 张文德李学超何珑
