皖南风尘堆积-土壤序列的磁性地层学研究及其古环境意义

对位于长江下游地区的安徽宣城、繁昌两个风尘堆积典型剖面进行了系统的磁性地层学和沉积学研究, 并对宣城剖面上部的样品进行了热释光测年. 结果表明, 宣城剖面松山/布容(B/M)界限位于剖面中网纹红土的中、下部, 而该剖面风尘堆积的下界位于B/M界限以下, 年代约为0.85 MaBP. 繁昌剖面全部形成于布容期. 该结果同时指示, 我国南方的网纹红土不全是第三纪遗留的产物, 最新一期的网纹红土形成于0.78 Ma (B/M界限)以后, 表明我国南方中更新世经历了极端的暖湿气候, 应当与北方黄土-古土壤序列中的S4和S5对应. 0.85 MaBP前后长江中、下游开始出现持续的风尘堆积, 是该区环境对中更新世全球性重大气候变化的响应. 当时东亚冬、夏季风同时加强, 冰期与间冰期气候反差加大导致的河流水文状态变化为风尘堆积的物源和搬运提供了有利条件.     

结构施工时变内力分析

将使用阶段的结构作为受力分析对象是目前结构设计的常规做法,其结果是结构的最终内力、变位等与施工过程无关,这不符合工程实际情况,而现行的结构工程施工内力有限元法并没有提供相应的公式能解决这个问题.利用施工过程时变有限元分析方法对结构施工内力进行几何非线性分析,使计算结果更符合结构施工的实际情况,全过程跟踪分析结构在施工各阶段以及施工完毕时的变量,指出结构工程设计考虑施工过程时变效应影响的重要性.     

超细煤粉燃烧NOx析出特性试验

对超细煤粉在一维热态煤粉炉内燃烧时煤粉粒径、炉膛温度、过量空气系数及煤种等因素对NOx释放特性的影响规律进行了试验研究．研究结果表明：超细煤粉NOx的排放浓度低于常规粒径煤粉;NOx的排放浓度,随过量空气系数的增加而明显增加;煤种不同,NOx排放规律不同,煤粉超细化后,龙口褐煤的排放量明显减少,晋城无烟煤则变化不大;NOx的排放浓度随温度的升高而升高。     

一种基于语义增强和指导路由机制的方面级情感三元组抽取方法

目前，细粒度情感分析已在观点挖掘、文本过滤等域获得广泛应用，通过细粒度情感分析，能完成更精准的文本理解和结果判断.其中，包含方面、观点和情感极性的情感三元组抽取任务是一个具有代表性的细粒度情感分析任务，且大多数相关研究是基于管道模型和端到端模型开展的.然而，一方面，管道模型本质为两阶段模型，存在错误传播的问题；另一方面，端到端模型也无法充分利用句子中各组成之间的联系，存在高层次语义关系捕获能力欠缺的问题.为解决以上问题，本文对句法和语义知识进行特征补充，提出一个基于语义增强和指导路由机制的情感三元组抽取方法(ASTE-SEGRM).首先，基于键值对网络学习源文本的句法特征和词性特征.区别于以往的建模方式，本文所提方法动态捕捉不同句法及词性类型的重要程度，并赋予不同的权重，以实现语义增强；其次，受启发于迭代路由机制，引入指导路由机制构建神经网络，使用先验知识指导情感三元组的抽取；最后，在四个基准数据集上的实验结果证明，本文所提方法优于数个基线模型.     

基于时间演化图卷积网络的舆情热点内容预测

有效预测舆情事件的热点内容有利于提高对舆论导向的把控能力和对公众诉求的预判能力. 然而，现有的舆情预测工作大多关注事件整体趋势指标或情感极性的演变预测，鲜有针对舆情事件热点内容的预测研究. 为解决以上问题，本文提出一种基于时间演化图卷积网络的舆情热点内容预测方法：以舆情事件的热点词作为预测对象，首先，通过演化图卷积网络学习各时间片词语的空间关联关系；然后，使用门控循环单元捕捉各时间片词语特征的时序变化；最后，通过全连接层进行输出，实现对舆情事件热点词的预测. 以微博上两个不同的舆情突发事件的相关文本作为数据集，与两种现有热点词预测方法开展对比实验. 实验结果表明，该方法在两个数据集上的精确率分别达到51.21%和50.98%，召回率分别达到50.17%和48.15%，F1值分别达到50.68%和49.52%，均高于两种对比方法，能够更好地完成舆情事件中热点词的预测.     

结合主动学习与关系图卷积神经网络的社交机器人检测

社交机器人一直在应用中不断发展，并且为了逃避现有的检测方法，变得更加先进和复杂，较大地影响了原有部分社交机器人检测方法的效果.检测社交机器人成为了一项漫长而又艰巨的工作.在社交机器人检测领域中，目前存在着已公开相关数据集较少的情况，需要人工标注大量的数据.本文提出了一种结合主动学习与关系图卷积神经网络(RGCN)的检测方法——ALRGCN,用以解决人工标注大量数据成本较高的问题.其主要思路是利用主动学习方法来扩充标记数据集，以最大化人工标注的价值.主动学习利用种子选择算法构建初始训练集以及不确定性采样方法筛选出较高信息熵的样本，交由分类模型进行训练，旨在通过专业人员的经验来人工标注一些分类器难以分类的数据.鉴于社交机器人通常以集群的形式出现，本文引入了RGCN来捕捉其网络结构特征.RGCN可以有效地分析节点及其相邻节点的属性，进而帮助该节点进行分类.实验在TwiBot-20数据集上进行，通过对比进行使用的基线实验，ALRGCN在F1上取得了2.83%的提升.实验结果证明，ALRGCN在标注样本更小的情况下可以更有效地检测出社交机器人.     

结合主题模型与自监督学习的可控文本生成技术研究

基于大型预训练语言模型的有监督学习方法在可控文本生成任务上取得了优秀的成果，但这些研究都着重于控制生成文本的高级属性(比如情感与主题),而忽略了泛化性问题.现有的基于自监督学习的研究方法则通过句子级别的训练来使模型获得补全整句的能力，使模型做到单词和短语级别的控制生成，但生成与特定属性强相关句子的能力依旧待提升.所以本文提出了一种单词级别(细粒度)与句子(粗粒度)级别相结合的多粒度训练方式：单词级别的主题模型让模型学习主题层面的语义以获得主题到文本的生成能力，句子级别的自监督训练让模型学习整句的表征以获得补全句子的能力.通过主题模型与自监督学习的结合，使模型在单词与短语级别的可控生成阶段取得了更好的效果.实验表明，本文提出的模型在主题契合度以及常规文本生成指标方面优于现有的基线模型.     

犬乳腺癌基因表达特征及肿瘤预后标志物分析

目的 探索犬自发性乳腺癌的基因表达特征和预后标志物。方法 从公共数据库获取多个犬乳腺癌转录组数据集，校正合并获得大样本量的整合数据集。通过生物信息学分析与疾病预后相关的基因聚类，筛选与预后不良相关的特征性基因并在细胞水平进行验证。结果 共识聚类分析获得的聚类3与犬乳腺癌的低生存率相关，其特征性基因主要富集于细胞增殖相关信号通路。经过单因素分析并与人类数据集提取交集基因，获得11个与乳腺癌预后不良相关的跨物种保守性关键基因。利用犬乳腺癌细胞系证实其中的ZBTB16和ABI3BP基因参与调节乳腺癌细胞增殖。结论 成功获得一组保守性风险基因，可作为生物标志物用于犬自发性乳腺癌及犬乳腺癌动物模型的疾病分型和预后评估。