基于卷积图神经网络的多粒度表示学习框架

卷积图神经网络（Convolutional Graph Neural Network,ConvGNN）以其强大的表达能力被广泛应用于社交网络、生物网络等领域的网络表示学习中，多粒度网络表示学习已被证明能够改善已有网络嵌入方法的性能，但目前尚缺乏以改善ConvGNN性能为目标的框架.针对此问题，提出一种基于ConvGNN的多粒度网络表示学习框架M-NRL，分为四个模块：粒化模块、训练模块、推理模块和融合模块.粒化模块构造从细到粗的多粒度网络并保留不同粒度节点的属性和标签信息，训练模块在最粗粒度的网络上以端到端的方法训练任意一种ConvGNN并优化其模型参数，推理模块使用优化后的ConvGNN推理出不同粒度网络的节点表示，融合模块采用注意力权重聚合不同粒度的节点表示以产生最终的节点表示.在四个公开引文网络数据集上进行的半监督节点分类任务验证了M-NRL的有效性，实验结果表明，MNRL不仅能加速现有ConvGNN的训练，还可以增强其最终的表示质量.     

基于内容的短信分类技术

研究了一种基于改进贝叶斯算法的短信分类方法。对中文文本短信,采用文档频度（DF）的特征项提取方法,借助自建短信语料库对改进的贝叶斯分类器进行了实验测试。实验结果表明：改进的分类器可以提高正常短信的通过率,并可以根据新的训练集训练出个性化的分类器,适应短信变化,满足用户的个性化需求,还结合黑白名单过滤机制实现对短信的过滤...     

电磁场对固定化活性污泥磁性微球处理污水的影响

设计了带电磁场的污水处理装置,通过测定污水CODcr的去除率考察装置的运行效果,并获得初步的污水处理工艺参数.固定化活性污泥磁性微球在磁场中进行污水处理实验结果表明:当磁场强度为8.50 m T时,处理污水的CODcr去除率可达87.57%;当磁场强度为80.7mT时,处理污水的CODcr去除率可达98.42%.     

求证珠峰新高

珠穆朗玛峰作为世界最高峰,她的海拔高程数据历来为世界各国所关注.从1847年-2005年人们求证珠峰高程已经历10次之多,展现了人类用生命与心血勇攀高峰,探索自然奥秘的奋斗过程.由于技术手段的进步和珠峰地区强烈的地壳运动,重测珠峰高程具有其重要的科学意义.近10年来包括中国在内的测量科考队多次测量了珠峰高程,引起了地学界广泛的关注.(编者按:2005年10月9日,国家测绘局公布珠峰高程测量最新结果为8 844.43米)     

多媒体教学手段在天文教育中的应用--天文教学系列软件"探索宇宙"简介

结合中国目前天文学教育的现状和我系开展基础天文学教学的体会,对天文学教学中如何利用多媒体的手段进行了论述,并重点介绍了天文系列多媒体教学软件<探索宇宙>的特点和主要内容.     

印楝1年生苗木生长节律与数量分级标准

通过对1年生印楝实生苗木群体的动态研究,建立了苗木的年生长模型、连日生长量模型和日平均生长量模型,并据此模型将印楝苗木生长节律划分为4个阶段:出苗期(10月中旬至下旬)、生长初期(11月上旬至翌年4月中旬)、速生期(4月下旬至9月下旬)和生长后期(10月上旬至下旬);苗木生物量积累与苗高、地径的函数模型关系表明,苗木生物量(包括地上部分、地下部分和全株干重)与苗高、地径的相关性极为密切,其中全株干重占全株鲜重的38.8%,地上部分干重占全株鲜重的26.8%,占全株干重的69.1%;同时,以苗高、地径为参考指标,对9个月生的印楝造林苗木进行了数量分级标准划分,并运用该分级标准进行造林试验,结果表明将印楝造林苗木从数量指标上划分为Ⅰ级、Ⅱ级和Ⅲ级是科学合理并切实可行的,其中仅Ⅰ级与Ⅱ级可以用作造林合格苗木.     

基于多粒度的异质图表示

异质图表示学习旨在将图中的语义信息和异质的结构信息嵌入到低维向量空间中。目前大多数的异质图表示学习方法主要通过基于元路径、元图和网络模式的采样以保留图中同类型节点间的单粒度局部结构,忽略了现实世界中复杂异质图具有的丰富的层次结构。商空间理论中的多粒度思想可以在不同粒度内捕获节点间的潜在联系。因此,为在异质图表示中有效地保留层次结构的信息,文章提出一个基于多粒度的异质图表示方法（Heterogeneous Graph Representations Based on Multi-granularity,HeMug）。该方法首先基于不同元路径构建多个同质子图,并利用多粒度的粗化思想,将每个同质子图分别粗化形成多个多粒度子网络,以保留异质图中同类型节点在给定元路径下的层次结构。其次,利用多粒度的细化思想,将每个多粒度子网络最粗层通过现有表示学习方法获得的节点表示逐层细化,以得到节点在每个多粒度子网络下的表示。最后,设计注意力机制以融合节点在不同元路径对应的多粒度子网络下的表示。在四个真实数据集上的实验结果表明,与对比算法相比,提出的HeMug获得了更有效的节点表示。     

基于加权树的层次社团划分算法

社团发现常用于挖掘复杂网络中的隐藏信息,如功能模块和拓扑结构.为提高复杂网络中社团结构挖掘的质量,提出一种基于加权树的层次社团划分算法HCD_WTree(Hierarchical Community Detection Algorithm Based on Weighted Tree).首先,结合邻域重叠比和节点的度中心性来度量节点间关系强度,基于该度量将原无权网络转换成加权网络;接着,对网络进行简化,得到加权树;最后,基于层次社团挖掘方法,根据边权依序裁剪加权树,得到层次的社团结构,并结合模块度函数获得最优的社团划分结果.在公用数据集上的实验结果表明,与现有的社团挖掘技术相比,HCD_WTree算法能够更准确地划分复杂网络中的社团结构.