结合残差网络和噪声处理的节点分类模型

图卷积网络(GCNs)通过迭代堆叠多层卷积聚合操作来学习节点的表示,在许多图学习的任务中显现出强大的潜力.但是,由于图卷积运算的过度平滑效应,大多数基于GCN的模型无法对深层进行建模.此外,实际应用中往往会有许多噪声数据,在深层建模时会极大地干扰GCN的节点分类性能.为了解决上述问题,本文提出了一种结合残差网络和噪声处理的节点分类模型(NHGCN).针对噪声节点,模型使用自适应的残差处理方法并修改了范数约束,提高了对噪声节点的修正能力.针对过度平滑问题,模型利用残差映射优化图卷积的信息传播,缓解了图卷积聚合操作中的梯度消失问题,保留了节点独特性,增强了节点分类效果.在Cora,Citeseer,Pubmed这3个公开数据集上进行了训练和测试,实验结果表明:相较于现有的节点分类模型,本文模型实现了更优的处理过平滑效果和抗噪性能.

基于部分计值的信息个人化智能Agent系统

提出了一个基于部分计值技术的信息个人化系统PIPEAgent。部分计值理论源于程序转换中如何在给定部分输入的情况下，对程序完成尽可能多的运算从而对程序进行优化这一问题的探讨，PIPEAgent将部分计值理论与信息个人化相结合，以PIPE(Personalization is Partial Evaluation)理论为基础，结合机器学习技术并采用智能人机交互的Agent构架。该系统已应用于Web信息检索、电子商务应用。

Ajax技术的数据响应优化

对Ajax工作原理和数据传输性能进行分析,从响应数据的返回格式角度入手,通过实验,对比2种数据格式XML和JSON的差异与优劣,基于实际应用场景,给出权衡取舍的建议,总结出效率和安全性更高的Ajax模型,改善了目前Ajax带来的数据响应冗余的缺陷。

社交网络中基于信任的推荐算法

推荐系统作为解决信息过载问题的关键技术,已经引起了国内外研究学者的广泛关注.迄今为止,业界最广受好评的是协同过滤推荐技术.但由于其本身存在着数据稀疏、冷启动等固有问题,而难以应对膨胀的社会网络这一应用场景.本文针对推荐系统所面临的挑战,构建合适的动态信任传递模型,所设计的基于信任的推荐算法是对稀疏性、冷启动等问题的有效解决方案,且对恶意攻击具备一定的抵抗能力.最后在真实社交网络数据中对所设计的算法进行实现,并与传统推荐算法做实验对比,实验结果表明算法相比协同过滤算法在准确性和覆盖率上表现更好,且算法具备的分布式特性在复杂社会网络与大数据环境下实现了推荐实时性的要求.

从消息传播概率到概率亲密度矩阵的社区挖掘算法

随着现代网络的结构越来越复杂,规模越来越大,基于局部最优的社区挖掘算法受到了越来越多的关注.这些算法的计算速度快,但是结果精度较低.针对上述问题,对已有的CONCLUDE算法进行改进,利用消息传播概率代替结构相似性来构造亲密度矩阵,表示网络中的全局信息,计算过程的时间复杂度由O(珔d(v)2V)降低到O(珔d(v)V).与其它算法(LM,CONCLUDE)进行比较和分析,该算法具有较高的计算效率和精度.实验结果表明,该算法不仅提高了LFR基准网络上的NM I值,而且对真实网络上的模块度也有一定的提升.

基于用户相似度和特征分化的广告点击率预测研究

大数据环境下如何对互联网广告进行精准投放一直是计算广告学领域高度关注的问题。作为在线广告投放效果的一个重要指标,点击率的精确预测关系到媒体、用户和广告主三方的利益。目前的主流方法是通过抽取特征建立单一点击率预测模型,其不足之处在于使用单个权重来度量特征对点击率的影响过于片面。该研究基于分而治之的思想,提出了基于用户相似度和特征分化的混成模型。该模型首先根据混合高斯分布来评估用户相似度,将其划分为多个群体。针对不同群体,分别构建子模型并进行有效组合,从而挖掘同一特征对不同群体的差异化影响,进而准确地预测广告点击行为。通过使用真实互联网公司的广告数据集进行实验,并与主流方法做了详细的对比分析,检验了该方法的有效性。

社交网络中快速群组生成及群组推荐研究

学术和工业界所研究的推荐技术绝大部分都是关于单个用户的个性化推荐系统,然而被推荐的对象往往是超过一个人的群体.继而诞生了群组推荐技术,它可以对群组推荐又尽量满足群组中所有个体的偏好.以往的研究集中在个体用户偏好的聚合策略和个体用户对于群组的影响等方面.然而现实应用中的群组除了像家庭和班级这样自然存在的,往往还因个体成员偏好而临时组成,因此需要快速生成这些群组,进而对其进行群组推荐.本文针对这一应用场景,使用局部敏感哈希技术(Locality Sensitive Hash,即LSH)对群组推荐系统进行群组生成和推荐,以达到群组快速生成并提高群组推荐效果的目的.最后在真实的社交网络数据中实现所设计的群组推荐系统.实验结果表明系统具有快速群组生成能力,且使用搜索引擎中衡量排序质量的归一化折扣累计收益(Normalized discounted cumulative gain,即n DCG)指标来评估群组推荐结果,群组规模为2,4,8,16,32,64时推荐质量分别提高了约0.7%,0.6%,2.6%,4%,9%,16%.

在线广告中改进数据分层的动态点击率评估算法

在线广告作为广告主向用户传达信息的载体,在这个信息过载的时代具有重要的意义.点击率是在线广告中的一个重要的指标,能够帮助广告主进行广告性能优化和广告预算投放.然而,由于其数据稀疏性的特征,使得点击率的评估难以达到很高的准确度.为了准确地评估点击率,本文不仅从机器学习中基于决策树分类器的角度加以改进,而且从广告数据本身的角度出发,充分考虑数据本身的层次关系,增加了对点击与展现随时间的演化建模,提出了一种动态点击率模型算法.在真实互联网广告数据中对所设计的算法进行实现,并与传统机器学习的算法做实验对比,AUC值提升幅度达到17%,验证了本文提出的算法是对数据稀疏问题的有效解决方案.

基于DQN的动态深度多分支搜索自动配载算法

自动配载是自动化码头运营的重要环节之一,往往需要考虑多种因素,限制条件复杂,是一个NP完全性问题。传统的配载算法更关注配载结果而忽视箱区调度对作业效率的影响,为提高堆场设备的利用率和配载结果的合理性,根据桥机计划安排的配载任务,提出一种深度优先且动态深度多分支搜索的配载算法。在线下学习阶段中通过历史数据学习得到箱区状态值函数,线上配载选箱时综合值函数与各项约束条件通过动态深度分支搜索的方式得到最佳决策。在上海洋山港四期自动化集装箱码头进行真实船舶数据仿真测试,结果表明,与传统的贪心策略相比,该算法可使翻箱率和双小车拼车率均降低2%~5%,堆场设备利用率稳定在90%~96%。

基于邻域交互和图神经网络的推荐模型

异质图中包含丰富的关系,图神经网络(Graph Neural Networks,GNNs)能够自然地整合节点关系,因此图神经网络在推荐领域显示出巨大的潜力.然而,现有基于图神经网络的推荐大多聚焦于学习用户和项目的表示,忽略了用户和项目间的交互信息.其次,这些模型很少学习元路径的明确表示.为了解决上述问题,本文提出一种基于邻域交互和图神经网络的推荐模型NGRec.该模型学习用户和项目的表示,并通过元路径引导的邻域来获取用户和项目间的交互,最后将节点表示和交互信息进行融合用于推荐.该模型在得到节点有效表示的基础上,融合节点间的交互,增强了推荐效果.在3种不同类型的异质图上进行大量的实验,证明了所提模型在性能上的提升.

社会网络下的基于主题概率的影响从众性模型和分析

在社会网络中,量化分析用户影响力及用户之间的影响关系已经变得越来越有必要,对精度的要求也越来越高.网络模型构建的好坏,模型预测用户行为的好坏对商业营销、社会影响最大化等应用都有着至关重要的意义.如何从不同方面量化社会影响力?如何量化不同方面下的用户之间的影响力强弱?如何在社会网络中构造这样一个模型?为了解决这些问题,提出一个基于主题概率的从众性模型(Topical Conformity Model,简称TCM),模型从主题层对社会网络进行建模,考虑不同主题概率下的用户影响力以及用户之间的影响关系.将该模型应用在学术网络中的用户关键词预测上,并与前人的方法进行实验对比,各项预测指标都有一定的提升,其中AUC值提高了4.3%,验证了本文提出的模型对于用户行为预测的有效性.此外,本文的工作还解决了如下两个问题:1、寻找某个主题下最可能选择某行为的用户;2、寻找某个用户选择某个行为受影响最大的主题.

基于UML的软件设计信息抽取及其在重构中的应用

运用统一建模语言UML(Unified Modeling Language),提出了一种关系型建模方法,并实现了一个原型系统,能够对UML中蕴含的部分设计信息进行建模与抽取.所得到设计信息能够应用于软件重构及面向方面编程中,能够挖掘设计阶段形成的语义信息,有效地帮助开发人员进行软件重构.

社交网络中基于信息词频和节点相似度的影响最大化算法

深入挖掘社交网络中传播力较强的个体,并利用其进行产品营销往往会达到事半功倍的效果,影响最大化问题就是在特定社交网络中寻找影响力较大的个体.为了更加准确的评估影响力,本文不仅从节点相似度方面进行改进,而且从信息内容本身出发,基于信息在社交网络中的传播,结合信息词频等信息自身特点来刻画节点的影响力,提出了基于信息词频和节点相似度的影响最大化算法(IMFS,Influence Maximization algorithm based on term Frequency and node Similarity).随后,在真实的社交网络中对该算法进行了实验,并与传统的影响最大化算法对比,实验结果表明由IMFS得到的集合的影响范围大于其他启发式算法的结果,同时算法的运行速度也有相应的提高,说明了本文提出的算法是解决影响最大化问题的有效算法.

并行编译线程的设计与分析

分析研究了动态编译器编译过程的性能瓶颈,提出了通过引入并行编译线程解决代码编译和垃圾代码回收问题的设计思想。借助线程通信机制,可以创建专用的动态编译线程进行代码编译。同时还分析了编译线程的优点和局限。最后通过测量基准测试程序的性能指出并行编译线程对程序性能有相当的改善。

基于虚拟节点的无线传感器组网近似算法

针对无线传感器网络中单纯路由控制或拓扑控制节能效用有限的问题,提出虚拟节点概念,并使用最小覆盖近似算法,给出虚拟节点在检测区域中的分布及基于虚拟节点的拓扑控制描述,在此基础上提出一种基于拓扑控制技术的组网近似算法。实验结果表明,该算法在节点数为1 500、覆盖半径分别为80、85、110时,完成传输数是单纯采用EOLSR算法的15.7倍、12.0倍和18.1倍,明显提高了节能效用。