使用Dom4j对XML文档做增删改查，其中XML充当数据库角色，案例使用分层思想

人工智能-机器学习-面向RPM的点云数据直接分层处理技术及其软件实现.pdf

一种方向分层拓扑的配电网故障定位算法.docx

STL模型分层算法的优化及应用.docx

大数据-算法-隐性分层教学在高中数学中的实践研究.pdf

允许打开 .gml（图形建模语言）文件并以分层结构存储图形信息。 也可以从结构中推导出邻接矩阵。 由于它并不真正关心实际内容，因此它可用于任意属性。 它也适用于大文件，尽管速度慢得离谱。 也许这不是最好的方法 - 我愿意接受建议！

在社交媒体谣言检测问题上, 现有的基于特征表示学习的研究工作大多数先把微博事件划分为若干个时间段, 再对每个时间段提取文本向量表示、全局用户特征等, 忽略了时间段内各微博间的时序信息, 且未利用到在传统机器学习方法中已取得较好效果的文本潜在信息和局部用户信息, 导致性能较低. 因此, 本文提出了一种基于分层注意力网络的社交媒体谣言检测方法. 该方法首先将微博事件按照时间段进行分割, 并输入带有注意力机制的双向 GRU 网络, 获取时间段内微博序列的隐层表示, 以刻画时间段内微博间的时序信息; 然后将每个时间段内的微博视为一个整体, 提取文本潜在特征和局部用户特征, 并与微博序列的隐层表示相连接, 以融入文本潜在信息和局部用户信息;最后通过带有注意力机制的双向 GRU 网络, 得到时间段序列的隐层表示,进而对微博事件进行分类. 实验采用了新浪微博数据集和Twitter数据集,实验结果表明,与目前最好的基准方法相比,该方法在新浪微博数据集和 Twitter 数据集上正确率分别提高了1.5% 和1.4%,很好地验证了该方法在社交媒体谣言检测问题有效性.

分层注意网络 我对“ ”的实现（Yang等，2016） Yelp的数据可从下载（与Yang的论文中使用的数据集相同） 下载链接： : 将数据放在名为“ data / yelp_YEAR /”的目录中（其中“ YEAR”为年份） 运行“ yelp-preprocess.ipynb”以预处理数据。 格式变为“标签\ t \ t句子1 \ t句子2 ...”。 然后运行“ word2vec.ipynb”以从训练集中训练word2vec模型。 运行“ HAN.ipynb”以训练模型。 运行“ case_study.ipynb”以运行验证集中的一些示例的可视化，包括注意力向量（句子级别和单词级别）和预测结果。 现在，我们在yelp2013测试仪上获得了约65％的准确度。 对超参数进行微调后，它可能会更好。 我们使用的超参数 时代 批量大小 GRU单位 word2vec大小 优化器 学

一个老外写的GDI+绘制图形的可以分层、大小缩放、可以进行颜色填充等支持原形、三角形、矩形、多边形以及直线和文字的绘制。

人工智能-机器学习-改进分层移动IPv6的LTTMAP快速切换方案.pdf