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.     

云计算环境中SBS应用动态资源分配方法

建立了一个SBS（基于服务的系统，service based system）应用端到端性能评价模型，并在该模型的基础上提出了SBS应用动态资源分配方法，该方法通过将静态的初始资源分配和动态的资源分配方案调整相结合，能够适应用户访问行为的动态变化，保证SBS应用端到端性能. 在SBS应用动态资源分配问题求解中，提出了服务吞吐量约束确定算法并在此基础上 给出了SBS应用动态资源分配算法，该算法根据SBS应用吞吐量约束确定服务资源需求量并在此基础上通过起始服务 到服务间的转移时间计算服务的资源分配时刻，从而能够在保证SBS应用端到端性能约束的同时提高资源利用率. 实验验证了所提出的基于SBS应用端到端性能评价模型的动态资源分配方法的有效性.     

融合词法句法分析联合模型的树到串EBMT方法

针对传统的基于实例的机器翻译(EBMT)方法中系统构筑复杂度和成本较高的问题,提出一种基于依存树到串的汉英实例机器翻译方法。与传统方法相比,该方法只需进行源语言端的句法结构分析,可以大大降低构筑系统的复杂度,有效降低成本。为了提高翻译精度,引入中文分词、词性标注和依存句法分析联合模型,可以减少汉英EBMT中源语言端基础任务中的错误传递,提高提取层次间特征的准确性。在此基础上,结合依存结构的特征和中英语料的特性,对依存树到串模型进行规则抽取以及泛化处理。实验结果表明,相对于基线系统,该方法可以提高实例对抽取质量,改善泛化规则和译文质量,提高系统性能。     

Koranyi单位球面上的一类特殊算子

针对海森堡型群无界域上的一类Dirichlet方程的求解问题,构造了一个线性算子,并研究了它的紧性以及特征值和特征向量。     

互联网嵌入对社会资本的影响研究

信息技术的发展极大改变了人们的生活方式,互联网渗透到人们工作和生活的每个角落,重塑着人们彼此之间的社会网络,同时对个体的社会资本产生潜移默化的影响。本文将嵌入的概念应用到互联网环境中,提出互联网嵌入的概念,通过半结构化访谈、探索性因子分析等步骤开发了具有联系度、匹配度、牺牲感三个维度的量表,并利用对1 98份样本数据的分析,探讨了互联网嵌入对社会资本的影响。研究结果表明,互联网嵌入的匹配度、牺牲感两个维度对社会资本有显著的正向影响。     

两个算子之和的极分解

设H和K是复Hilbert空间,T,S∈B(H,K)。T和S的极分解分别为T=U|T|,S=V|S|。在一定的条件下,给出了T+S的极分解为T+S=(U+V)(|T|+|S|)。此外得到相关结论。     

保距性质和等距映射

Some results about the Aleksandrov problem in p -normed spaces ( 0 < p ≤ 1) are obtained.     

“量子罗盘”欲取代GPS

<正>据英国《金融时报》网站5月中旬报道,英国国防部正在开发一种"量子罗盘"的新型导航技术,即一种不受数据窜改和信号干扰影响的全球定位设备技术。由于量子罗盘能够利用地球磁场的亚原子效应定位自身而不再需要卫星或无线电发射塔这类固定的参考点,各国军方对这种新技术十分感兴趣。英国防务科技实验所(DSTL)的科学家相信,再有三到五年,他们有望开发出量子罗盘。"对我们来说,关键在于我们要开发的是一种不依赖于太空的设备,且     

新条件下一类特殊函数的Muntz有理逼近

目的讨论有界变差函数BV[0，1]和Sobolev类w：[0，1]的Muntz有理逼近问题。方法应用构造性分析的方法进行研究。结果给出了在较为广泛条件下Muntz有理逼近的速度估计。结论所得结果说明Muntz有理函数可以实现对于有界变差函数和Sobolev函数的逼近。