融合属性信息的知识表示方法

现有的联合知识表示学习模型使用实体描述作为辅助信息来提升表示效果,忽略了互联网中大量有价值的信息。为此,提出一种融合属性信息的知识表示学习方法(AIKR)。首先抓取实体的不同属性,并通过莱文斯坦距离从语料库中匹配属性对应的说明文本;然后利用卷积神经网络对说明文本进行编码;最后将得到的实体属性表示与翻译模型生成的结构表示相结合进行联合学习。实验结果表明,相比仅利用实体描述的方法,融合属性信息的知识表示方法可以学习到更多的语义信息,取得了更好的表示效果。     

基于伪孪生网络的政务实体链接模型

为了提高政务领域实体链接任务的准确率,降低响应时间,提出了一种基于伪孪生网络的实体链接模型.模型通过伪孪生网络框架解耦问句和候选实体的特征提取过程,并预先计算候选实体的向量表示,显著地提高了模型在大规模数据集上的性能.同时,通过引入候选实体在知识图谱中的上下文信息,增强实体链接模型的语义匹配能力,从而提高链接准确率.实...     

基于四元数图神经网络的知识图谱嵌入

针对当前大多数知识图谱嵌入方法对实体和关系的表示能力低、难以处理复杂关系的问题,提出一种基于四元数图神经网络的知识图谱嵌入方法,用于解决知识图谱的链路预测问题。该方法为了包含更丰富的关系信息,将四元数引入到知识图谱嵌入中对实体和关系建模,并考虑两者之间的共现关系。模型利用勒维图变换将知识图谱中的实体和关系转换为图网络中的节点,采用两者的共现关系构建图中的边;将四元数图神经网络(quaternion graph neural networks, QGNN)作为编码器模块,学习图节点的四元数嵌入;利用四元数空间内的哈密顿乘积构造评分函数对生成三元组进行排序。实验结果表明,所提模型能够很好地捕捉到实体与关系之间潜在的相互依赖关系,在知识图谱嵌入方面优于现有的嵌入模型。     

基于三元组键值对超关系学习的知识图谱链接预测

为了提高挖掘超关系数据中的隐含关系的能力,提出一种基于三元组键值对超关系学习的知识图谱链接预测模型;所提模型不仅捕捉编码在三元组中知识图谱的主要结构信息,而且通过对三元组及其相关键值对进行学习,采集每个三元组及其相关联的键值对之间的相关性;通过最小值操作,对基本三元组、键值对以及相关性特征向量进行合并,利用全连接投影得到预测得分。结果表明,与其他预测模型相比,所提模型在JF17K数据集和WikiPeople数据集的键、值预测平均倒数排名表现更佳,在链接预测中排名分别小于10、1的三元组的平均占比的预测性能更优。     

Windows3.1的动态链接（DDE）和对象与链接嵌入（OLE）

ＤＤＥ与ＯＬＥ是Ｗｉｎｄｏｗｓ３．１的比较重要的概念之一，它可在Ｗｉｎｄｏｗｓ系统中实现数据的共享，达到快速传送数据的目的。在此剖析了ＤＤＥ和ＯＬＥ，并给出应用实例。     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

基于马尔科夫模型的移动设备链接预测研究

受移动设备内存空间和处理器性能的限制,传统的链接预测方法(如传统马尔科夫方法)不再适于移动设备浏览导航。本文以马尔科夫模型为基础,提出基于马尔科夫链和频繁项挖掘相结合的移动设备链接预测模型。将扇形交互界面的思路引入链接预测领域,有效缩小了用户的视觉搜索时间,提高了模型交互效率。移动设备上的实验结果表明,本文提出的预测模型在保证高覆盖率和低复杂度的同时,可以达到较高的预测准确率和预测效率。     

基于知识图谱嵌入的多跳中文知识问答方法

基于知识图谱嵌入模型, 提出一种知识图谱嵌入评分与链路评分相结合的评分方法, 以解决中文领域的多跳知识图谱问答任务, 与传统的单跳知识问答方法相比适用性更广. 该方法在搜索最优答案的同时构建一个查询链路, 通过查询给出答案集合, 从而有效缓解了现有方法中遗漏答案的情况. 在NLPCC-MH数据集上的实验结果表明, 该方法在多跳问题上的平均F₁值为0.653, 显著优于对比方法. 真实知识图谱通常存在链路缺失的情况, 实验以随机丢弃25%三元组的方式模拟了知识图谱的稀疏性, 结果表明该方法在这种情况下仍然有效.     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

基于社区信息的链接分析与预测研究

社区结构是社交网络最重要的拓扑特性之一,有助于理解用户分布和用户行为,提高链接预测的精确度。通过分析社区结构,结合贝叶斯理论,提出了一种新的基于社区信息的链接预测方法,并应用于真实的社交网络数据中对未来链接进行分析与预测。实验演示了该方法的优点和有效性,取得了很好的预测效果。     

基于多尺度卷积的胶囊网络知识图谱嵌入模型

该文基于胶囊神经网络出色的维度信息挖掘能力,加入多尺度卷积以进一步增强其特征提取和交互能力,提出了基于多尺度卷积的胶囊网络知识图谱嵌入模型.首先,通过TransE算法训练得到实体和关系的初始化嵌入向量;其次,通过多尺度卷积生成不同的特征图,将得到的特征图进行特征融合,融合后得到的特征图重组为相对应的胶囊;最后,利用动态路由指定从第一层胶囊到第二层胶囊的连接,经过路由得到的第二层胶囊利用squash函数得到最终向量长度,该向量长度决定三元组的置信度.知识图谱链接预测任务的实验结果表明,较嵌入模型CapsE,本文提出的模型在WN18RR数据集上指标Hit@10提高1.8%,MRR提高1.4%,在FB15k-237数据集上Hit@10提高2.2%,MR提高4.8%.     

基于Attention机制的链接预测算法

针对社会网络中链接预测问题,提出了基于注意力(Attention)机制的链接表示及其预测算法.基于待预测节点的共邻关系构建其链接局部网络,设计了基于紧密游走的网络拓扑序列化方法.采用双向循环神经网络(Bi-RNN)对链接序列进行向量编码,以充分挖掘序列相关节点间的上下文依赖信息.通过Attention机制对链接中的节点进行关注和加权,强化重要节点对链接预测任务的贡献,实现链接拓扑特征的自动提取与准确分类预测.实验结果表明,在4种不同类型的社会网络数据集中,该算法的准确率和运算效率都有较大提高且普适性较强.     

基于多层感知机的个性化链接排序预测

社交网络链接预测,即通过历史社交网络结构信息,预测未来一段时间内社交用户之间可能会产生新的链接关系,是社会网络分析中的一个重要问题。现有的模型挖掘了用户之间的浅层交互关系,或者通过深层网络去学习用户的特征描述。然而,由于社会网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对上述问题,文章提出基于多层感知机的个性化链接排序预测模型(PRMLP),从而实现了社交链接预测任务。PRMLP同时考虑了用户之间的交互关系,并采用了多层网络结构深入挖掘社会网络的拓扑结构,因此能够学习得到更精准的用户特征描述。文章针对模型训练中正负样本不平衡的问题提出了解决方案,在2个真实数据集进行的实验表明,文中提出的基于多层感知机的个性化链接排序预测模型相对于现有的其他链接预测模型表现更优。     

融合社区连接信息的网络嵌入方法

网络嵌入旨在学习节点的低维稠密向量,同时保留原始网络的结构和属性信息。现有的网络表示方法大多未考虑网络中的社区信息和社区间的信息,难以有效地学习网络的低维表示。为有效保留网络中的社区信息和社区间信息,提出了一种融合社区连接信息的网络嵌入方法(network embedding based on community connection information,ECCI)。该方法基于不同社区的亲密程度,捕捉网络中社区间的关系;采用自定义游走的方式得到融合局部结构、社区信息以及社区间信息的游走序列;通过Skip-Gram模型得到与之对应的网络嵌入结果。在3个公开数据集的实验结果表明,ECCI相比基准方法在链接预测上的AUC值和F1-Score都有一定程度的提升。     

基于属性网络表示学习的链接预测算法

网络链接预测是指通过网络结构信息及节点属性信息等网络历史信息预测2个节点之间产生新的链接关系的可能性。网络链接预测是网络分析的基础任务,在异常检测、推荐系统等方面有重要应用。网络表示学习旨在通过无监督方法,将符号化的数据编码到低维、稠密的向量空间中,从而更好地应用于机器学习任务中。由于真实网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对该问题,文章提出一种基于网络表示学习的属性网络链接预测算法(attributed network embedding based link prediction,ANE-LP)。首先有效提取网络结构信息和节点属性信息,并且通过深度网络结构将网络中各节点表征到低维、稠密向量空间;然后通过相似度度量模型重新定义出邻居节点间的关系;最后在2个真实数据集上进行实验验证。实验结果表明,基于网络特征学习的链接预测算法与其他方法相比更优越。     

社会网络中的链接稳定性预测问题研究

社会网络是一个由对象和链接所构成的复杂关系型数据集.给定一个社会网络的快照,能否预测在下一个较短的时间段内其中哪些链接将会继续存在而哪些链接将会消失,这是社会网络中链接挖掘的一项新的任务.这一任务可以形式化为链接稳定性预测(Link Stability Prediction).提出了通过打分的方法来度量链接的稳定性,并讨论了几种基于邻近度度量的链接稳定性预测方法.在一个大型的电话通信网络上进行了实验,并设计了一种用来评价链接稳定性预测准确性的机制.实验结果表明,链接的稳定性信息在一定程度上是可以通过基于邻近度度量的方法从社会网络的拓扑结构中提取出来的,其中有两三种较精炼的预测方法展现出了良好的性能.但是,这些静态的链接稳定性预测方法也有其局限性,更多动态的预测方法亟待研究.     

基于多数据源的知识图谱构建方法研究

针对多数据源的融合应用,构建了基于多数据源的知识图谱.首先,对不同领域内的数据源构建相应本体库,并将不同本体库通过数据融合映射到全局本体库;然后,利用实体对齐和实体链接方法进行知识获取和融合;最后,搭建知识图谱应用平台,提供查询和统计等操作.在实体对齐方面,利用传统的基于相似性传播实体对齐方法,获得良好的实体对齐效果;在实体链接方面,提出了基于约束嵌入转换的预测推理方法,实验结果表明,在预测准确率上取得较好的结果.     

灰色组合预测模型应用研究

道路交通事故预测是道路交通安全研究的一项重要内容,它的目的是为了掌握交通事故的未来发展状况,对交通安全措施的可行性和实施效果进行合理评价,有效地控制各影响因素,达到减少交通事故的目的．可构建适应道路交通系统多属性特点的道路交通事故预测模型：灰色预测及其改进模型、神经网络预测模型、灰色神经网络组合预测模型．实证结果表明,灰色组合预测模型能够充分发挥各单一模型的优点,同时弱化了单一模型的缺点,比单一模型的预测结果更理想,精度更高．     

基于神经网络的预测模型的比较研究

随着经济预测、电力预测等各种预测的兴起,预测对各种领域的重要性开始显现.针对在建立预测模型时不能准确判别使用合适的神经网络,论文归纳了几种常用干预测的神经网络:BP神经网络、RBF神经网络、小波神经网络、组合神经网络,并总结了相应的优缺点,及其适用的预测范围.以某蓄电池厂近几年的销售量为例,检验各种预测模型的精度.预测结果显示,用单一预测模型进行预测时,因自身的局限,使其预测精度和稳定性不高.相比之下,组合预测模型更能有效提高预测精度,可以较充分的降低预测风险,保证预测结果的稳健性.     

深圳港基于BP神经网络的集装箱预测模型

运用BP人工神经网络建立了深圳港集装箱吞量的预测模型，得出深圳港2001－2005年的集装箱吞吐量，研究结果表明，该预测方法具有很强的学习与泛化能力，预测结果对深圳港的发展有较强的借鉴作用，可以提高深圳港处理运量的能力。