科学合作网络姓名消歧问题研究

针对科学合作网络姓名消歧问题,以文献题录信息和全文信息为基础,提出了基于语义指纹的综合特征文献著者姓名消歧方法,设计了指纹生成器、指纹比较器、认领决策器、作品指派器以及争议仲裁器。基于标题、作者、合著者、作者机构、期刊、日期、摘要、关键词、作者邮箱、全文等特征构建消歧实验测试数据集,将单特征测试中准确率较高而查全率较低的合著者特征、作者单位特征和查全率较高的文本指纹特征相结合,开展基于语义指纹的综合特征姓名消歧实验,并对实验结果进行评价。     

基于异质网络嵌入的学术论文推荐方法

针对基于异质信息网络推荐中的有效信息提取与利用,提出了一种基于异质网络嵌入的学术论文推荐方法。使用由元路径引导的随机游走策略生成节点序列;对于每个元路径,通过最大化序列中相邻节点的共现概率来学习节点的唯一嵌入表示;设计了不同的融合函数,将节点在多个不同元路径的低维表示融合为异质信息网络的嵌入,并且引入注意力机制应用于推荐系统。该方法解决了大多数基于异质信息网络的推荐方法因依赖于基于路径的相似性而无法完全挖掘用户和项目潜在结构特征的问题,在DBLP数据集中验证了模型的有效性,并在RMSE指标中取得超过传统模型的效果。     

异构网络表示学习方法综述

现实生活中存在的网络大多是包含多种类型节点和边的异构网络,比同构网络融合了更多信息且包含更丰富的语义信息。异构网络表示学习拥有强大的建模能力,可以有效解决异构网络的异质性,并将异构网络中丰富的结构和语义信息嵌入到低维节点表示中,以便于下游任务应用。通过对当前国内外异构网络表示学习方法进行归纳分析,综述了异构网络表示学习方法的研究现状,对比了各类别模型之间的特点,介绍了异构网络表示学习的相关应用,并对异构网络表示学习方法的发展趋势进行了总结与展望,提出今后可在以下方面进行深入探讨:1)避免预先定义元路径,应充分释放模型的自动学习能力;2)设计适用于动态和大规模网络的异构网络表示学习方法。     

基于最优路径的异构学术网络重要文献探测方法

基于同构学术网络〖CD2〗引文网络最优路径研究, 提出一种异构网络最优路径算法及两种路径重要性的评价指标, 解决了现有同构网络最优路径算法不能应用于真实学术网络研究的问题. 以微软学术迁移学习领域数据为数据集, 从异构学术网络最优路径探测迁移学习领域重要文献与引文网络主路径探测迁移学习领域重要文献的相似性及迁移学习领域发展历程两方面验证了基于最优路径的异构网络重要文献探测方法的正确性. 实验结果表明, 该算法和指标更符合真实学术网络.     

基于共同属性和标签共现的标签消歧算法

为了提高基于标签的个性化推荐技术的准确率,提出了一种基于共同属性和标签共现的标签消歧模型,对已有的基于聚类的标签消歧算法进行改进,针对不同的标签语义问题分别采用不同的方法,缓解了原算法不能识别不同语义的问题。对于多义词语义问题,使用同义词模型进行消歧;对于近义词、同义词语义问题,使用近、同义词模型进行消歧,并将该模型应用于个性化推荐算法。利用公共数据集MovieLens Latest Datasets进行了个性化推荐实验。实验表明,当用户推荐项目数量递增时,推荐算法的准确率和召回率都有提高,能有效消除标签中存在的歧义。     

异构传感器网络成本最优节点部署机制

针对异构无线传感器网络中节点的高密度部署情况,研究了异构传感器节点的优化部署问题。提出一种基于遗传算法的异构节点成本优化部署方法。算法以网络的容错性和覆盖性为约束条件,以部署的成本为目标函数进行优化计算得到保证网络覆盖和网络容错性所需的节点位置和节点类型。算法既适用于布尔传感模型,又能应用于概率传感模型。仿真结果表明该算法能快速收敛于最优解,降低网络部署的成本,是一种可行的异构无线传感器网络节点部署的解决方案。     

BSAED:一种基于双向语义关联的实体消歧算法

考虑了实体的全局一致性,充分利用了知识库中实体间结构化的语义信息.在PageRank算法的基础上,提出一种基于双向语义关联的实体消歧算法,该算法通过在维基百科中抽取出实体之间的超链接关系构建知识图谱,重新定义两个实体之间的平均最短路径,并联合实体之间的语义信息以完成实体链接消歧的任务.在公开数据集上进行的实验结果显示:该算法能提高实体消歧结果的准确率和召回率,实验结果优于当前主流算法.     

基于机器学习的论文作者名消歧方法研究

本文提出了一种基于规则匹配和机器学习的论文作者名自动化消歧方法:首先基于人工构建的人名匹配规则确定候选作者,对于存在多个候选人的情况,基于论文的属性信息(例如合作者、标题、摘要、关键词和出版物名称等)提取特征,然后选取合适的机器学习算法进行消歧.实验效果表明K近邻和Softmax分类器较适合于论文作者名消歧任务;此外,将作者信息与论文的其他信息分开提取特征能够有效提高作者名消歧的准确性.     

基于多特征融合的同名专家消歧方法研究

针对专家库构建过程中出现的同名歧义现象, 提出一种基于多特征融合的同名专家消歧方法。从中国知网(CNKI)数据源中获取专家的论文信息, 抽取论文的标题、摘要、关键词、作者单位和合作者等关键信息, 并将其作为属性特征, 构建特征表示模型, 进而定义同名专家之间的相似度计算函数。根据计算得到的相似度, 将同名消歧问题转化为聚类问题。利用近邻传播聚类算法进行聚类, 解决同名消歧问题。在采集的专家论文数据上的实验表明, 基于多特征融合的同名专家消歧方法的准确率可达92%, 取得良好的消歧效果。     

采用元路径时效衰减和引用模式划分的学术引文推荐

针对现有学术引文推荐算法中元路径特征无法衡量学术文献的时效性,且对元路径特征的利用和划分粒度较粗从而导致推荐精度不高的问题,提出了一种采用元路径时效衰减和引用模式划分的学术引文推荐方法。首先,利用元路径抽取丰富的引文特征,并在计算元路径特征时加入了时效衰减因子,提升了新发表文献的推荐精度;其次,提出了融合元路径特征的主题模型MpTM,该模型利用主题特征为文献划分引用模式,并联合学习文献的主题分布、引用模式和元路径特征权重,细化了元路径特征的粒度;最后,通过所有引用模式下的元路径特征加权值,为目标文献推荐学术引文。在AAN数据集上的实验结果表明:所提方法在准确率和召回率上平均提升约41.99%和22.43%,能够提升新发表文献和非权威文献的推荐精度,并能有效缓解引文链接的稀疏性问题。     

基于ResNet模型的甲状腺SPECT影像诊断

为了降低医生利用SPECT影像对甲状腺疾病进行临床诊断时的误诊率,提高深度学习算法在核医学影像辅助诊断中识别交叉影像特征的准确率,提出了基于ResNet模型的甲状腺SPECT影像诊断方法。利用深度卷积生成对抗网络(DCGAN)和高分辨率生成对抗网络(SRGAN)生成影像并提高分辨率,弥补训练数据的不足。同时,将残差块输出信息加上具有交叉特征影像信息的x_i,在保留已学习影像特征的基础上增加对交叉特征的学习,改进了模型。对于交叉影像特征,使用交叉训练集对经过单一特征影像训练完成的改进ResNet神经网络模型进行再训练。实验结果表明,经过100轮迭代,交叉训练集训练的改进ResNet神经网络模型验证精度高达0.963 3,验证损失降到0.118 7,并趋于稳定;识别结果,召回率、精确率、特异度和F_1分数都在93.8%以上。经过改进的神经网络模型和新的训练方法对甲状腺SPECT影像表现出的典型症状识别率较高,优于其他基于卷积神经网络(CNN)的方法,对临床影像诊断具有参考价值。     

基于人物相关社区的重名消解研究

由于人的重名现象,人名检索的结果往往是同名的不同人物实体相关网页的混合。重名消解是根据上下文来区分同名的不同人物实体的过程。本文提出了基于相关社区的重名消解方法,采用改进的Espresso算法进行相关社区发现。将每个网页发现的社区应用到两阶段重名消解算法中,并且在WePS-2测试集上进行试验。实验结果表明了该方法的有效性。     

基于深度学习的中文地名识别研究

基于深度学习的循环神经网络方法,面向中文字和词的特点,重新定义了地名标注的输入和输出,提出了汉字级别的循环网络标注模型.以词级别的循环神经网络方法为基准,本文提出的字级别模型在中文地名识别的准确率、召回率和F值均有明显提高,其中F值提高了2.88%.在包含罕见词时提高更为明显,F值提高了26.41%.      

基于图注意力网络的案件罪名预测方法:CP-GAT

案件罪名预测任务是基于文本数据去预测案件所属罪名.针对现有方法在相似罪名和长尾数据集上表现不佳的问题，提出了一种基于图注意力网络的案件罪名预测方法CP-GAT(charge prediction based on graph attention network).该方法首先使用司法文书数据集中的案例事件描述文本和案例对应的法条信息建立异质图结构数据，构建后的异质图包含两种类型的节点(词节点、案例节点)，两种类型的边(词节点与词节点相连的边，词节点与案例节点相连的边).在基于法律文本构建后的异质图上使用图注意力网络进行图特征提取，最后将得到的特征向量输入到罪名预测的分类器中，得到案例所属的罪名.在CAIL2018法律数据集上的实验结果表明，基于图注意力网络的罪名预测方法优于对比实验使用的方法，准确率和宏观F1值分别达到了95.2%和66.1，验证了提出的方法有利于提升案件罪名预测任务的性能.     

RiskRank:一种网络风险传播分析方法

通过研究网络风险传播途径和规律,提出一种RiskRank网络风险传播分析方法.通过计算网络节点间相似关系和临近关系,以构建网络风险传播图谱,并基于随机游走方法迭代计算网络风险传播模型,以动态分析网络风险传播过程并量化评估网络风险程度,最后采用密度聚类算法识别高风险簇,通过隔离高风险簇以控制安全态势.实验结果表明,提出的RiskRank网络风险传播模型的准确率为97.4、精度为98.1％、召回率为86.4％.     

拆分降尺度卷积神经网络入侵检测方法

针对卷积神经网络模型待训参数量过大、多层网络导致特征和梯度消失等问题,论文提出了一种基于拆分层和Inception-ResNet的卷积神经网络模型用于入侵检测。首先将网络流量数据转化为具有空间相关性的图像以适用于卷积神经网络的输入;然后使用Inception-ResNet卷积层增加网络深度,减少模型训练参数数量以及消除梯度消失问题,拆分层在降低图像尺度时基本保持图像原有分类特征;最后采用NSL-KDD数据集对改进模型进行训练和测试。测试结果表明,改进模型相对于Inception-ResNet模型具有更高的检测准确率和少数类样本召回率以及更好的训练时间性能。     

基于活跃度的网络免疫策略

免疫策略是抑制复杂网络传播过程的有效方法。虽然基于网络拓扑的免疫策略取得了良好的免疫效果,但这些策略都基于同构性假设,即:网络中的节点具有相同的属性。然而,越来越多的研究揭示了网络节点的异构特征,如传播过程中节点具有不同的活跃度,活跃的节点能够促进传播。笔者结合网络结构和节点活跃度,提出了一种新的免疫策略,在真实网络和人工网络中的仿真结果表明,所提免疫策略能够有效抑制传播扩散。