基于关系图卷积神经网络的多标签事件预测

事件预测需要综合考虑的要素众多,现有预测模型多数存在数据稀疏、事件的组合特征及时序特征考虑不足、预测类型单一等问题。为此,提出了基于关系图卷积神经网络的多标签事件预测方法,通过节点特征聚合技术实现数据的稠密化表示。模型利用卷积神经网络的卷积和池化运算,提取预测数据的组合时间段特征信息,并结合长短期记忆网络的时序特征提取能力,进一步提取预测数据的时序规律特征;最后,模型通过全连接的多标签分类器,输出多种类型事件发生的概率值。实验结果表明,所提模型可以支持进行多日期、多类型事件预测,在特定数据集上最高F 1值可以达到0.85。

基于实体描述和关系图卷积神经网络的实体分类研究

随着大数据时代的来临,人工智能快速发展,知识图谱已经在垂直搜索和智能问答等领域中发挥着重要的作用。但是,即使是全世界上最大的知识图谱也仍然不完整,所以知识推理一直是知识图谱的研究热点之一。本文提出了一个融合实体描述和关系图卷积神经网络(R-GCN)的模型(DR-GCN),并将其应用于知识推理中的标准任务:实体分类(Entity Classification),即缺失实体属性的恢复。R-GCN是根据图卷积神经网络(GCN),专门针对实际知识图谱的高度多元关系数据特征而开发的一类图卷积神经网络。本文研究的DR-GCN模型,该模型充分利用了知识图谱中的关系类型、关系方向、实体自循环、实体描述等信息进行实体分类。本文对DR-GCN模型进行了彻底的评估,并与已建立的基线进行了比较。实验表明,DR-GCN模型的实验结果比现有的基线有所提高,在AIFB和BGS数据集上,DR-GCN模型的准确率分别比基线中准确率最高的G-GAT和RDF2Vec模型的96.19%和87.24%高0.24%和0.35%,验证了改进后的模型效果更佳。

基于关系图卷积神经网络的链接预测研究

本文提出了一个基于实体描述和关系图卷积神经网络的模型(DR-GAT),在R-GCN模型的基础上融入了实体描述信息和加入了注意力机制,并将其应用于基本的知识库完成任务:链接预测(Link Prediction),即缺失三元组的恢复。实验结果证明,DR-GAT+模型与现有的基线比较时,在FB15K-237数据集上比现有基线R-GCN+的Hits@10指标高出0.81%,验证了改进后的模型链接预测效果更佳。

中国专利奖视角下的颠覆性技术识别分析

为充分利用专利结构化数据和文本数据,实现准确有效的颠覆性技术识别,以中国专利奖为切入点,提出基于图神经网络的颠覆性技术识别框架。首先以获得中国专利奖的授权发明专利定义颠覆性技术,解决技术定义难的问题;接着使用Neo4j图数据库构建异质有向图,存储专利多重关系数据和方向信息,解决关系数据利用率低的问题;最后使用关系图卷积神经网络(R-GCN)模型进行训练,实现颠覆性技术识别,解决识别效果不佳的问题。研究表明以获得中国专利奖的专利技术直接定义颠覆性技术是合理且可靠的;提出的颠覆性技术识别框架能充分利用专利数据信息和专利异质有向图中空间信息,识别出绝大部分的颠覆性技术,丰富了图神经网络在颠覆性技术识别方面的研究。

电驱动总成多场耦合数据驱动建模及瞬态温度场实时在线预测

开发电驱动总成(EDA)轻量级实时在线温度精确预测方法,对于提前有效监测其未来异常温度状态,确保车辆行驶安全至关重要。基于多物理场耦合与数据驱动融合建模,提出了EDA瞬态温度场在线预测方法。首先,建立EDA电-磁-热-流多物理场耦合有限元模型,并通过台架试验验证该模型准确性;其次,采用有限元模型生成了几种常规工况下的瞬态温度场数据集,以用于后续代理模型的测试验证;然后,结合有限元模型获取简化的热网络拓扑和图卷积神经网络,提出一种模型与数据双轮驱动建模的EDA时空关系图卷积神经网络预测模型;最后,通过不同工况下的离线仿真对比分析和台架在线测试,对所提出的温度预测模型进行有效性和实时性验证。实测离线数据集上的分析结果表明:全局预测误差和平均绝对误差分别为4.4和1.25℃,相较于常规时序图卷积神经网络和门控递归单元方法分别降低17.3%、28.1%和5.3%、29.3%。台架在线预测结果也与真实测量值十分接近,其全局预测误差和平均绝对误差为3.99和0.66℃。总之,所提出的实时在线温度预测方法可以准确预测EDA真实温度变化。

基于知识图谱的城市轨道交通突发事件演化结果预测

准确预测突发事件的演化结果,对城市轨道交通系统制定应急方案、保障安全运营,具有重要的参考意义。目前突发事件演化结果预测方法智能化程度不高,过分依赖决策者主观设定的特征权重、检索模板,复杂、准确性低且应用性较弱。该文基于知识图谱(KG)和关系图卷积神经网络(R-GCN)模型提出一种城市轨道交通突发事件演化结果预测方法。首先,构建城市轨道交通突发事件知识图谱,将与事件相关的场景信息进行结构化处理;其次,基于关系图卷积神经网络模型构建城市轨道交通突发事件结果的预测模型;最后,利用城市轨道交通突发事件案例库进行验证。实验结果表明,所提预测方法具有较好的准确率、较强的普适性,可为轨道交通应急管理提供方法和技术支持。

基于深度学习算法的信用债违约风险预测模型

随着中国债券市场规模不断扩大,2014年以来,中国信用债违约事件日益增加。文章在构建银行间债券市场信用债知识图谱的基础上,针对其多种关系的特点,提出基于注意力机制的关系图卷积神经网络及债券知识图谱构建的异构信息处理(R-GCN-BKG)的违约债券预测算法,并对债券违约的影响因素进行分析。实验结果表明,R-GCN-BKG模型在处理违约债券的预测任务上取得良好效果,其准确率为92%、召回率为90%、精确率为89%。

一种基于层次化R-GCN的会话情绪识别方法

会话情绪识别包括说话者自身情绪影响以及说话者之间情绪影响这2个重要因素,为了充分考虑上述影响因素以提高会话情绪识别效果,提出一种基于层次化关系图卷积神经网络(HRGCN)的识别方法。使用一个基础神经网络对会话序列的特征数据进行优化,按照不同的说话者划分出2个不同的会话子序列,采用2个局部关系图卷积神经网络(R-GCN)分别对2个子序列进行局部建模,按照会话发生的时间顺序重新整合局部建模后的2个子序列,并利用全局R-GCN对其进行全局建模。通过对输入的多模态特征数据的分层次建模,使得会话序列捕获到更多的上下文信息。在IEMOCAP数据集上的实验结果表明,与当前流行的循环神经网络LSTM、GRU等相比,HRGCN方法的会话情绪识别性能较高,准确率与F1值分别达到84.48%与84.40%。