基于监督学习的蛋白质络合物抽取方法

蛋白质关系网络中存在着大量的蛋白质络合物,络合物对有利于深入探索生物细胞的组织原理和功能有着重要意义.然而传统的络合物发现算法多基于网络的拓扑结构,没有融合络合物本身的结构信息.针对这个问题,提出了监督学习的络合物发现方法,将多种能够标示络合物的信息作为特征,使用监督学习方法对样本集进行训练,将训练得到的模型应用在络合物发现算法中.实验证明,该方法能有效地从蛋白质关系网络中发现络合物.     

基于监督学习和半监督学习的蛋白质关系抽取

提出了一种将监督学习和半监督学习融合的方法,并用于从文献中自动抽取蛋白质关系.在AImed语料上的实验得到63.2%的F值,这表明该方法达到目前较好的性能.     

基于标记权重和mRMR的多标记特征选择

在多标记学习中,现有的最大相关最小冗余（maximum Relevance and Minimum Redundancy, mRMR）算法未充分考虑标记之间以及特征与标记之间的相关性,导致算法分类性能偏弱。文章结合标记权重改进了mRMR算法,提出一种新的多标记特征选择方法。首先,基于标准互信息计算标记与标记之间的关联度,使用每个标记与标记集关联度占所有标记与标记集之间关联度之和的比例,定义标记权重,结合关联度与标记权重构建新的最大相关性公式,进而建立新的mRMR计算公式,使用mRMR算法获取最初的候选特征子集;然后,计算特征与标记之间的标准互信息并结合标记权重,定义特征与标记集之间的相关度,从最初候选特征子集中进一步剔除冗余特征,筛选最优特征子集;最后,设计了一种标记权重和mRMR的多标记特征选择算法。在8个多标记数据集上进行仿真实验,实验结果表明该算法能够有效提高多标记数据的分类性能。     

基于注意力机制归纳网络的小样本关系抽取模型

针对小样本关系抽取问题,提出一种基于注意力机制的归纳网络.首先,利用归纳网络中的动态路由算法学习类别表示;其次,提出实例级别的注意力机制,用于调整支持集,并获取支持集与查询集样本之间的高级信息,进而获得与查询实例更相关的支持集样本.该模型很好地解决了训练数据不足时如何进行关系抽取的问题.在小样本关系抽取数据集FewRel上进行实验,得到的实验结果为：5-way 5-shot情形下准确率为(88.38±0.27)%,5-way 10-shot情形下准确率为(89.91±0.33)%, 10-way 5-shot情形下准确率为(77.92±0.44)%, 10-way 10-shot情形下准确率为(81.21±0.39)%.实验结果表明,该模型能适应任务并且优于其他对比模型,在小样本关系抽取中取得了优于对比模型的结果.     

基于案例推理中特征权重自动学习方法研究

讨论基于案例推理中特征权重的自动学习方法．通过分析现有的一种利用粗糙集理论进行权重自动学习的算法，指出了该算法中存在的一些问题，最后提出了一种改进的权重自动学习算法，并通过实例对两种算法进行了比较．     

权重国际贸易网络的结构分析

采用贸易流量值对国际贸易网络的边赋予权重,构建权重国际贸易网络,从顶点强度与度的关系、边的权重差异度、集聚性、顶点度相关性等角度对权重国际贸易网络的结构特征进行研究.通过与拓扑结构的研究结果进行比较,发现拓扑顶点度负相关而权重顶点度正相关等新现象.这表明对于经济流网络,从权重角度分析可以揭示更多的网络结构特征.     

基于马尔科夫链模型的网络链路权重评价方法

网络链路权重评价是网络运维管理的重要依据?将马尔科夫链的转移概率引入到网络链路权重评价中,从概率的角度来衡量相邻节点的可达性;充分考虑链路?节点的故障性,将网络中任意两相邻节点的通信过程近似为马尔科夫过程,基于此,提出了基于马尔科夫链模型的网络链路权重评价方法?根据网络的关联矩阵得到1步概率转移矩阵,进而求得网络的多步马尔科夫转移概率矩阵,直至所有节点概率可达,通过累加相邻节点间概率来衡量链路可达性?通过算例分别分析了串联网络?桥式网络和复杂网络的链路权重评价问题?分析表明,该方法不仅能准确评价网络链路的权重,而且还解决了删边或缩边方法难以分析串联网络的问题,具有计算量小?易编程实现的特点?     

基于权重调整的公交网络效率研究

公交网络效率的高低关系着城市客运工作能否通畅有序运行.任意站点间的客运效率与整个公交网络的客运效率是局部与整体的关系,如何以最合理的局部效率改善达到提升整个公交网络效率的目的,是当前一项重要的研究课题.公交站点网络是无标度网络,网络边上的权重可表征站点之间的通行时间,调整边权重成为改善公交网络效率的途径之一.本文从宏观网络的角度,基于权重维度,研究权重在无标度网络中的不同分布对网络效率的影响.通过对权重在无标疫网络中作用的验证,为公交网络的优化提供新的指导方法.     

权重演化的加权网络

无标度加权网络的模型构建已经引起了越来越多的关注。提出了一种权重依时间增长的加权网络模型,其中每个时间间隔的权重增长量是个随机变量。利用主方程方法,可以证实当时间t→∞时,该网络有稳定权重分布p（w）。通过两个计算实例,发现p（w）～w^-γ,其中幂律指数γ〉2。     

基于加权复杂网络的公路网等级结构划分

为划分公路网等级,引入复杂网络理论,采用对偶拓扑方法,将公路路线按照路名抽象为节点,考虑路段流量和贯穿度计算节点权重,并基于重力模型得到加权邻接矩阵,通过Matlab编程计算节点重要度指标、紧密度指标、介数指标,采用变异系数法计算节点综合指标权重,以规划年路网总里程为控制量筛选得到满足里程要求的节点;最后对所筛选出的节点采取模糊聚类,进行公路网等级划分.研究结果表明:应用复杂网络理论进行公路网等级划分,不仅能够得出各等级公路里程,并且能够得出各等级公路的空间分布情况,为未来公路网等级的提升提供参考.     

基于时空影响域的加权地震网络拓扑特性分析

针对加利福尼亚地震网络,为了研究网络中节点间的相互影响关系,首先基于时空影响域,以平均震级比对边权值进行定义,从而生成加权地震网络.其次,选取零模型为参照物,分析了加权地震网络的拓扑特性.同时对边权值和节点权值的分布进行分析.结果发现:加权地震网络具有无标度和小世界特性,且节点和边权值都具有幂律分布特性;节点的权值与其最大震级值存在正相关.本文基于地震数据所构建的加权地震网络更符合实际情况.     

基于复杂网络的基金加权网络结构分析

为了探讨中国基金市场的网络结构,先通过二分网的单顶点网络构建了基金无向加权网络,再利用网络的基本几何统计量对网络结构特征进行分析.实证分析结果表明基金网络系统是小世界网络和同类匹配网络,并且网络度分布和点强度分布服从幂律分布.进一步分析,找到了这些网络特征的现实含义以及基金在股票投资中的一些特点.     

基于模体中心结构的蛋白质复合物识别算法

基于蛋白质相互作用的网络有明显模块化特征, 其对预测蛋白质功能、解释特定的生物进程具有重要作用, 网络模体是复杂网络演化的 重要拓扑结构, 其代表了复杂系统中的重要功能单元, 具有进化保守性的特性, 提出一种新的基于网络模体为核心节点组的蛋白质复合物识别算法. 该算法根据蛋白质相互作用网络的拓扑特性, 将模体作为蛋白质复合物的中心结构体, 并基于中心结构体进行二层节点扩充, 能准确有效地识别蛋白质复合物. 并且将复合物二维网络进行三维转化, 从而更直观清晰地展示复合物的结构体特征. 实验结果验证了该算法的有效性及可行性.     

基于加权概念网络的用户兴趣建模

提出了一种基于加权概念网络(WCN)的用户兴趣建模方法，该方法利用动态学习算法，挖掘蕴含在用户反馈文档中的概念及其概念关系，建立WCN的用户模型，从而捕捉和表述用户兴趣偏好．基于WCN用户兴趣模型，提出了检索提问个性化理解以及文档个性化重评价的实现方法．为了检验提出方法的建模性能，设计了信息过滤仿真试验．测试结果表明，WCN有较好的用户建模性能．     

拓扑辨识具有社团结构的加权复杂动态网络

针对具有社团结构的一般不确定加权动力学复杂网络,利用反馈控制和自适应控制构造了一个驱动-响应系统来辨识驱动系统的拓扑结构,并根据线性稳定性理论和Lyapunov方法给出了拓扑辨识的充分条件.最后,通过数值仿真验证了所提方法的正确性和有效性.     

基于拓扑排序和边活动网的网络课程设置方案研究

网络教学虽然把学习过程留给学生自主安排,但也要达到让学生系统学习知识的目的．因此,课程设置仍然是网络教育一项重要的任务．传统的课程设置以人工为主,工作效率低．通过对顶点活动网的拓扑排序算法分析,在原有排序结果不稳定的基础上,增加了学时数限制条件,提出了一种适合网络教学的课程设置方案．     

基于复杂网络理论的装备保障网络模型研究

从网络科学的观点出发,对装备保障网络生成机制进行研究,针对其严格的等级结构和一定的随机连接特性,在对树状网络和确定性复杂网络模型研究的基础上,提出了一个装备保障网络演化模型.该模型考虑了网络中节点和边的实际物理属性,引入了随机连接参数,实现了混合生成的装备保障网络演化机制,并仿真分析了模型中迭代步数、子节点数目、随机连接因子这3个参数对装备保障网络整体性能的影响规律,验证了该模型的有效性和适用性.