基于图注意力和特征融合的链路预测方法

链路预测是一种还原网络缺失信息的方法，通过当前已观察到的链路，预测实际存在但未被观察到的链路或可能出现的新链路.当前链路预测主要是基于图神经网络的深度学习方法，相比基于规则的启发式方法，前者可有效利用网络拓扑结构信息，较大地提升了网络链路预测性能，并可应用到类型更广泛的网络中.但是现有基于图神经网络的方法，仅利用网络中节点相对位置信息，忽视了节点基本属性和链路的邻居信息，且无法区分不同节点对链路形成的重要程度.为此，本文提出一种基于图注意力网络和特征融合的链路预测方法.通过增加节点的度、链路的共同邻居数量和共同邻居最大度等特征，丰富了网络的输入特征信息.本文首先提取以目标节点对为中心的子图，然后将其转化为对应的线图，线图中的节点和原图中的链路一一对应，从而将原图节点和链路信息融合到线图的节点中，提升了特征融合的有效性和可解释性.同时本文使用图注意力机制学习节点的权重，增强了特征融合的灵活性.实验表明，本文所提出的方法，在多个不同领域数据集上的AUC和AP均超过90%,在已观测链路缺失较多时，预测性能保持80%以上，且均优于现有最新方法.     

时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题，将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题，提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP，并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性，并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

基于互信息的复杂网络链路预测

互信息在复杂网络中的应用为解决链路预测问题提供了一个新的思路.传统的互信息方法(MI)不仅考虑了节点的邻居信息,还加入了共同邻居之间的结构信息,这种方法比传统的基于共同邻居的方法预测精度更高;但是该方法没有对共同邻居进行有效的区分,即没有考虑到共同邻居之间的差异性.为此进行了相应的改进,提出了改进的互信息方法(MMI),实验结果表明,MMI方法可以在一定程度上提高链路预测的精度.     

符号网络中融合聚集系数与符号影响力的链路预测算法

为快速、准确地实现符号社会网络中的链接预测与符号预测双重目标，提出一种融合共同邻居节点的聚集系数与连边符号影响力的链路预测算法。基于结构平衡理论，有效利用节点的度、聚集系数、路径上的中间传输节点、连边符号及其影响力等信息，分别定义了两节点基于一阶共同邻居和二阶共同邻居的相似性，最终得到两节点的总相似性得分，用其绝对值度量两节点建立链接的可能性，通过其符号获得链接的符号预测结果，从而实现符号网络中的链路预测。在6个有代表性的符号网络数据集上进行了实验，以AUC、调整的Precision’、Accuracy等为评价指标，对比了多个符号网络链接预测算法，并进行了可调步长参数的敏感性分析。实验结果表明，所提算法在符号网络链接预测与符号预测两方面均达到了较好的性能，无论是稀疏网络还是负链接预测，准确性均高于其他算法。     

利用链路预测推断网络演化机制

直接建立演化模型推测影响网络演化的因素是目前研究网络演化制的常用方法,但由于可供比较的结构特征量太多,不同的模型之间难以进行定量化的比较.链路预测是指利用网络的结构或者节点的属性息预测未产生连接的两个节点间产生连接的可能性.其本质是挖掘网络产生连边的原因和驱动力,这同时也是网络演化模型所关的问.实际上,一个演化模型原则上都可以对应于一种链路预测的算法.因此,助链路预测的理论框和评方法可以定量化地对不同演化模型所对应的链路预测算法进行评,从而间接地对演化模型的表现进行定量比较.本文首先绍于节点接近性的链路预测方法,然后讨论利用链路预测推测网络演化制的本框.在以中城市航空网络为例的实证分析中发现,当单独利用结构(共同邻居数目)和节点属性(地理位、人口、GDP和第三产业产值)作为定义接近性的因素时,于共同邻居的算法预测准确度最高,暗示网络演化主要受结构因素影响,其次才是外在因素.而将四种于节点属性的算法与于结构的算法耦合进行计算时,共同邻居配合第三产业产值效最好,与偏相关分析和因分析的结论一.本文为研究网络演化模型供了全新的视角和分析工具.     

无线传感网络多节点通信链路质量检测算法

为提升无线传感网络的扩展性和通信性能,研究无线传感网络多节点通信链路质量检测算法。基于稳定路由协议设计了无线传感网络多节点通信链路质量检测算法,利用通信节点分析报文确认邻居节点间距,通过非参数局部线性核平滑方法依据邻居节点间距建立信号获取平滑后的信号接收强度。判断无线传感网络中的节点是否来自上游节点分组的平滑后信号接收强度后,采取滑动窗口局部多项式拟合方法建立链路质量检测模型,通过链路质量检测结果判断无线传感网络中该链路中通信节点移动状态,通过通信节点移动状态判断链路质量。实验结果表明,采用该算法可准确检测无线传感网络多节点通信链路质量,且在节点数量增加时检测效果依然良好,具有较好的扩展性。     

基于互信息的动态网络链路预测算法研究

链路预测中关键的问题是如何通过已知的节点属性信息和网络的结构特征来衡量两个节点之间产生连边的可能性.传统的链路预测算法假设网络结构是保持不变的,而实际系统中的时间信息对网络的结构和网络的动态特性有很大的影响,从而导致了传统方法预测精度较低.为此,通过将互信息方法与移动平均模型相结合,提出了移动平均互信息方法.该方法不仅考虑了节点之间的共同邻居信息,还利用历史信息描述了网络的演化模式.在4个动态网络中的实验结果表明,移动平均互信息方法优于传统的对比方法,在预测精度上有了较大的提高.     

基于有向通信网络的链路重要性评价方法

为了方便分析有向通信网络的链路重要性,提出一种基于有向通信网络的链路重要性评价方法.该方法首先利用每条子链路的传输概率计算出各链路的信息量,并且将其作为链路权重值;然后利用提出的链路计算方法,寻找出初始节点与目的节点全部传输路由,将每条链路中的子链路分别进行对应的加权后求和得到各链路总权重值,并将总权重值取倒数得到链路的评估系数,依据所定义的链路重要性,通过每条链路的评估系数对链路进行重要性评价.计算实例表明,该方法能有效地对通信网络链路的重要性进行评价,具有一定的有效性和实用性.     

基于聚类系数和节点中心性的链路预测算法

目前复杂网络领域受到越来越多人的广泛关注.其中链路预测是复杂网络研究中的一个热门的分支,被作为预测缺失链路和识别虚假链路的有效手段.传统基于相似性的复杂网络链路预测主要考虑每个节点的某个相似性指标,而该文提出一种基于聚类系数和节点中心性(CCNC)的链路预测算法,将度、聚类系数和节点中心性3个相似度指标结合,引入到复杂...     

基于机器学习的无线传感网络室内定位研究

无线传感网络在能耗量化传导过程中具有随机分布性,导致网络节点的室内定位精度不高,为了提高网络的室内定位准确性,提出基于机器学习的无线传感网络室内定位方法.构建无线传感网络室内定位的节点优化部署模型,采用能量负载均衡控制方法进行无线传感网络的路由探测协议设计,建立无线传感网络节点传输的链路均衡配置模型,采用机器学习算法进行无线传感网络室内定位过程中的自适应寻优,提取无线传感网络节点输出信号的能谱特征量,根据能谱的聚类属性进行无线传感网络室内定位优化.仿真结果表明,采用该方法进行无线传感网络室内定位的精度较高,能量开销较小,网络节点的组网部署能力得到提升.     

基于强化学习的特征选择方法及材料学应用

随着大数据、人工智能以及高性能计算的快速发展, 数据驱动的新材料研发成为研究热点. 在对材料数据进行数据挖掘的过程中, 需要对特征集合进行预处理, 通过减少无关冗余特征, 不仅可以避免模型过拟合, 还能提高模型的可解释性. 基于此, 提出了一种基于强化学习的特征选择(feature selection based on reinforcement learning, FSRL) 算法, 将封装式特征选择抽象成机器学习模型和"环境"互动的过程, 并根据利益最大化准则将对应特征加入特征子集中. 同时, 为了提高模型的预测精度, 还提出一种基于符号变换的特征构造方法来生成新的特征. 最后, 将所提出方法应用到非晶合金材料的分类预测任务和铝基复合材料的回归任务中. 实验结果表明, FSRL 算法的分类准确率最高提升了 2.8%, 而在回归任务中, 基于特征构造的 FSRL 算法使得预测精度最高提升了 22.9%.     

融合对比学习的成语完形填空算法

成语完形填空是机器阅读理解（MRC）的一类子任务，旨在测试模型对中文文本中成语的理解和应用能力.针对现有的成语完形填空算法忽视了成语的嵌入向量会出现表征崩溃的现象，并且模型在域外数据上的准确率低，泛化能力较差的问题，本文提出了NeZha CLofTN.该算法由嵌入层、融合编码层、图注意力子网络和预测层等4部分组成.其中融合编码层中利用对比学习迫使网络改变特征提取的方式，避免了网络输出恒定的嵌入向量，从而预防了表征的崩溃；预测层综合多个近义词图子网络的输出，以获得比其中单独的子网络更好的预测性能，增强模型的泛化能力.NeZha ClofTN在ChID Official和ChID Competition数据集上进行了实验验证，准确率分别达到80.3%和85.3%，并通过消融实验证明了各个模块的有效性.     

多接口无线mesh网络的信道时空分配

针对多接口无线mesh网络信道分配中存在的共享接口信道依赖问题和网络拓扑改变所导致的链路失效问题,提出了基于图分解的联合空间与时间域的信道分配方法。该方法将信道分配从空间域拓展到时间域,将网络拓扑分解为多个时隙上的子图,然后对每个子图运用图着色算法实现信道分配。该方法中,每个时隙上的子图根据网络约束条件动态获得信道资源,从而提高了无线mesh网络信道分配的效率。通过仿真分析对比了静态信道分配方法,这种信道的时空分配方法能够有效抑制信道分配中产生的波及效应以及信道切换导致的链路失效等消极因素的影响,从而在满足接口数目约束、信道数目约束等约束条件下将无线mesh网络吞吐量提高30%以上。     

基于信息增益优化支持向量机模型的煤矿瓦斯爆炸风险预测

为了探索基于样本数据的煤矿瓦斯爆炸风险预测,依据本质安全理念构建了预测瓦斯爆炸风险的指标集,结合机器学习与特征优化算法提出了信息增益(information gain,IG)与支持向量机(support vector machine,SVM)的组合模型,通过对优化后的14种特征信息的分类学习,完成对风险未知样本的预测任务.以全国100家煤矿企业为研究对象,使用不同模型分别预测瓦斯爆炸风险并全面分析和比较,实验结果表明,经过IG优化后的SVM模型预测正确率达到了95.45％,相对于单一SVM模型提高了9.09％,同时高于其他预测模型,证明了该组合模型在瓦斯爆炸风险预测领域的优越性.     

基于深度森林算法的油井产量预测研究

为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型。首先应用KNN最邻近方法和Z-Score标准化方法对油井相关数据进行预处理,利用MDI特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估。研究结果表明,相对于BP神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路。     

基于优化核极限学习机的泥石流危险性评估

山区环境中泥石流的孕育受多种因素的影响，为提高泥石流危险性的预测精度，提出一种萤火虫算法(firefly algorithm, FA)优化核极限学习机(kernel based extreme learning machine, KELM)的预测模型。首先，针对数据维度爆炸的问题，通过主成分分析(principal component analysis, PCA)数据降维，使得留有大部分致灾特征信息的因子输入训练模型；然后，使用萤火虫优化算法更新核极限学习机的参数，将四川省北川县监测数据输入优化后的预测模型，并与其他传统机器学习算法进行对比分析，验证该算法的优越性；最后，使用多种指标综合评估模型的预测效果。结果表明，FA-KELM模型能够有效地简化数据结构，提高泥石流危险性预测的准确性，为泥石流灾害预测方面的研究提供参考和借鉴。     

寻找欧拉生成子图最大边数的一个方法

设G是超欧拉图,X是G的子图.在G中,把X的点收缩为一个点vX,去掉X的边,得到G关于子图X的收缩,记为G/X.引入a—子图的概念,得到了若干a—子图,并表明如何利用a—子图来寻找欧拉生成子图的最大边数.     

基于鲁棒鉴别特征学习的图像特征提取算法

为了增强图像特征鉴别力和鲁棒性,获取图像紧致特征表达是关键.现有的图像特征学习方法大多采用最大化L2范数的方式定义,导致其对噪声和异常值十分敏感.针对这个问题,提出了一种基于L2,1范数的鲁棒鉴别特征学习算法.该算法在数据预处理中加入了类内聚拢操作,使得同类样本尽可能靠近,减小了类内异常样本以及强噪声样本的影响;此外,...