With the exponential growth of online review platforms, understanding user preferences and interests in the tourism domain has become increasingly critical for businesses and service providers. However, extracting meaningful insights from the vast amount of available data poses a significant challenge. Traditional methods often struggle to capture the nuanced and hierarchical nature of user interests within the tourism domain. This paper pioneers the integration of domain information modeling technology into the realm of online review information mining, presenting a novel approach to constructing a user tourism interest model. Unlike existing methods, which primarily rely on flat or simplistic representations of user data, our approach leverages the hierarchical structure inherent in tourism domain information modeling. By harnessing big data within the tourism domain, we construct hierarchical tourism attributes and apply a conditional random field model along with an affective dictionary to facilitate the hierarchical mining of user travel interest information. This culminates in the establishment of a comprehensive user travel interest model using advanced information modeling techniques. Building upon this foundation, we further propose a dynamic user travel interest model, showcasing its adaptability and responsiveness to changing user preferences. Finally, we validate the accuracy and effectiveness of our model through simulation experiments within a user travel recommendation system, demonstrating significant improvements over traditional methods.

This paper addresses the challenges of limited training data and suboptimal environmental conditions in image processing tasks, such as underwater imaging with poor lighting and distortion. Neural networks, including Convolutional Neural Networks (CNNs) and Transformers, have advanced image analysis but remain constrained by computational demands and insufficient data. To overcome these limitations, we propose a novel split-and-concatenate method for self-attention mechanisms. By splitting Query and Key matrices into submatrices, performing cross-multiplications, and applying weighted summation, the method optimizes intermediate variables without increasing computational costs. Experiments on a real-world crack dataset demonstrate its effectiveness in improving network performance.

The complexity and functional evolution of mammalian visual systems have always been a focal point in neuroscience and biological science research. The primary neurons that output motion direction signals have been a focal point of research in visual neuroscience for nearly 130 years. These neurons are widely present in the cortex and retina of mammals. Although the relevant pathways have been discovered and studied for almost 60 years due to experimental accessibility, research still remains at the cellular level. The specific functions and overall operational mechanisms of the component neurons in the motion direction-selective pathways are yet to be clearly elucidated. In this study, we modeled existing relevant neuroscience conclusions based on the symmetry and asymmetry of whole cells in the retina-to-cortex pathway and proposed a quantitative mechanism for motion direction selectivity pathways, called the Artificial Visual System (AVS). By tests based on 1 million instances of 2D, eight-direction grayscale moving objects, including 10 randomly shaped objects of various sizes, we confirm AVS’s high effectiveness on motion direction detecting. Furthermore, by comparing the AVS with two well-known convolutional neural networks, namely LeNet-5 and EfficientNetB0, we verify its efficiency, generalization, and noise resistance. Moreover, the analysis indicates that the AVS exhibits evident biomimetic characteristics and application advantages concerning hardware implementation, biological plausibility, interpretability, parameter count, and learning difficulty.

To decrease the number of chronic kidney disease (CKD), early diagnosis of diabetic kidney disease is required. We performed invariant information clustering (IIC)-based clustering on glomerular images obtained from nephrectomized kidneys of patients with and without diabetes. We also used visualizing techniques (gradient-weighted class activation mapping (Grad-CAM) and generative adversarial networks (GAN)) to identify the novel and early pathological changes on light microscopy in diabetic nephropathy. Overall, 13,251 glomerular images (7,799 images from diabetes cases and 5,542 images from non-diabetes cases) obtained from 45 patients in Kanazawa Medical University were clustered into 10 clusters by IIC. Diabetic clusters that mainly contained glomerular images from diabetes cases (Clusters 0, 1, and 2) and non-diabetic clusters that mainly contained glomerular images from non-diabetes cases (Clusters 8 and 9) were distinguished in the t-distributed stochastic neighbor embedding (t-SNE) analysis. Grad-CAM demonstrated that the outer portions of glomerular capillaries in diabetic clusters had characteristic lesions. Cycle-GAN showed that compared to Bowman's space, smaller glomerular tufts was a characteristic lesion of diabetic clusters. These findings might be the subtle and novel pathological changes on light microscopy in diabetic nephropathy.

Artificial intelligence, with its remarkable adaptability, has gradually integrated into daily life. The emergence of the self-attention mechanism has propelled the Transformer architecture into diverse fields, including a role as an efficient and precise diagnostic and predictive tool in medicine. To enhance accuracy, we propose the Double-Attention (DA) method, which improves the neural network's biomimetic performance of human attention. By incorporating matrices generated from shifted images into the self-attention mechanism, the network gains the ability to preemptively acquire information from surrounding regions. Experimental results demonstrate the superior performance of our approaches across various benchmark datasets, validating their effectiveness. Furthermore, the method was applied to patient kidney datasets collected from hospitals for diabetes diagnosis, where they achieved high accuracy with significantly reduced computational demands. This advancement showcases the potential of our methods in the field of biomimetics, aligning well with the goals of developing innovative bioinspired diagnostic tools.