基于Random-Walk算法的DR图像分割方法

本文算法对原图像进行快速Mallat小波分解得到骨干图后,利用其高频子带梯度信息优化边的权重,并在概率阈值的准则下对争议区域做进一步划分,最后把最大到达概率所在类的标签赋予未标定顶点,并扩展到原图像,得到分割边界。用微软GrabCut分割数据库图像和实际DR图像对该算法进行了验证,该算法能快速而有效地分割出特定的图像,适用于DR图像的分割,为进行组织增强和进一步提高DR图像质量打下基础。

图神经网络研究综述

随着人工智能的快速发展,深度学习已经在图像、文本和语音等可在欧氏空间表示的数据中取得了巨大成功,但却一直无法很好地应用于非欧氏空间。近年来,图神经网络在非欧几里得空间中展现出了强大的表示学习能力,并广泛应用于推荐系统、自然语言处理以及机器视觉等众多领域。图神经网络模型基于信息的传播机制,具体地,图中的目标节点通过聚合邻居节点的信息来更新自身的嵌入表示。利用图神经网络,可将众多现实问题(如社交网络、知识图谱和药物化学成分等)抽象成图网络,借助图中的连接边,对不同节点之间的依赖关系进行合理建模。鉴于此,对图神经网络进行了系统综述,首先介绍了图结构数据方面的基础知识,然后对图游走算法和不同类型的图神经网络模型进行了系统梳理。进一步地,详细阐述了当前图神经网络的通用框架和应用领域,最后对图神经网络的未来进行了总结与展望。

基于滑降的随机游走图像分割算法

为了提高传统的随机游走分割算法的性能,提出一种基于滑降算法的随机游走图像分割算法.利用图像的局部灰度信息进行滑降分割,将图像分割成多个小区域;把每个小区域作为一个节点,采用万有引力定律来定义各个节点之间的权值,利用随机游走算法产生最终的分割结果.实验结果表明,该算法有效地结合了滑降算法和随机游走算法的优点,提高了图像分割的速度和精度.

基于结构-属性的时空对象图聚类算法的研究

在现有的图聚类方法中,大多数聚类方法只关注图的拓扑结构或节点属性而忽略另一方面.为解决这一问题,相关文献中提出了基于图的结构与属性的图聚类方法.但这些聚类方法存在建立的图模型不准确、聚类效果不理想、算法执行效率低等缺点.针对上述图聚类方法中存在的问题,提出了一种基于结构-属性的时空对象图聚类方法(spatio-temporal object graph clustering algorithm based on structure and attribute,STSA).首先提出了属性加权图模型,在此基础上建立了结构-属性的统一度量方法,并采用随机游走模型技术将节点间结构与属性关系转换为相应的相似度矩阵,结合图结构-属性关系及相似度矩阵,采用信息传递算法对图进行聚类,解决了现有图聚类方法中所存在的问题,最后通过实验验证了提出的STSA方法的正确性和有效性.

膨胀图在随机算法设计中的应用

介绍了膨胀图的基本理论,组合膨胀与代数膨胀之间的联系,以及膨胀器构造方法等。系统地阐述了膨胀图在随机算法设计中的应用原理和方法。通过对"坏事件"发生的概率上、下界估计,给出了膨胀图在近似算法设计中的应用方法。

基于网络图模型推荐的随机游走算法改进研究

在网络图模型构建推荐系统中采用随机游走算法有效且易于实现,但存在时间复杂度高的问题.本文通过转移概率矩阵方法,将需要多次迭代的随机游走算法转换成一次矩阵求逆的过程,并使用LU分解方法解决实际应用中大规模数据矩阵求逆对系统资源高消耗的问题,通过对比实验证明了本文方法的有效性.

RiskRank:一种网络风险传播分析方法

通过研究网络风险传播途径和规律,提出一种RiskRank网络风险传播分析方法。通过计算网络节点间相似关系和临近关系,以构建网络风险传播图谱,并基于随机游走方法迭代计算网络风险传播模型,以动态分析网络风险传播过程并量化评估网络风险程度,最后采用密度聚类算法识别高风险簇,通过隔离高风险簇以控制安全态势。实验结果表明,提出的RiskRank网络风险传播模型的准确率为97.4、精度为98.1%、召回率为86.4%。

信任社交网络中基于图熵的个性化推荐算法

随着社交网络的飞速发展引起了人们对推荐系统(RS)的广泛关注。针对社交网络中现有推荐方法仍存在冷启动问题以及未考虑用户所处的社交网络信息的情况,提出了在信任社交网络中基于图熵的个性化推荐算法(PRAGE)。首先,根据用户物品和它们之间的反馈信息建立用户物品图(UIG),同时引入信任机制建立用户信任图(UTG);其次,通过对两个图使用随机游走算法得到用户与物品的初始相似度和基于信任机制的新的用户物品相似度;重复随机游走过程直至相似度稳定到收敛值;然后,使用UIG和UTG的图熵对两组相似度进行加权并最终相应地得出目标用户的最终推荐列表。在真实的数据集Epinions和Film Trust上的实验结果表明,相比经典的基于随机游走算法,PRAGE的精确率分别提高了34. 7%和19. 4%,召回率分别提高了28. 9%和21. 1%,能够有效地缓解推荐的冷启动问题且在精确率和覆盖率指标上均优于对比算法。

融合物品信息的社会化推荐算法

大多数社会化推荐算法仅考虑约束用户的特征向量并未限制物品的特征向量对推荐系统性能的影响,针对这一问题,提出了一种融合物品信息的社会化推荐算法。该算法先通过用户与物品的交互图构建物品相似性网络,在此基础上采用随机游走和SkipGram的方法构造出隐性物品相似性网络,再通过图神经网络的方法学习物品隐性相似性网络、社交网络和用户物品交互图,得到用户和物品编码的特征向量,最后在矩阵分解的基础上同时对用户和物品的特征向量做进一步约束,采用迭代更新的方式获取用户和物体最终的特征向量。为验证推荐算法的性能,在FilmTrust、Ciao和Douban数据集上进行实验验证。实验结果表明,所提出的ISGCF算法与经典的推荐算法相比,推荐效果更好,有效地缓解了冷启动问题。

融合知识图谱与用户评论的商品推荐算法

针对基于用户评论的商品推荐算法未充分利用评论之间关联信息的问题,提出一种融合知识图谱与用户评论的商品推荐算法。结合知识图谱对用户评论进行商品特征和情感词提取,构建商品特征集合和商品向量并计算商品相似度矩阵,根据情感词确定商品特征得分,通过随机游走商品节点获取商品特征权重。在此基础上,根据商品特征得分和商品特征权重计算商品推荐价值并进行Top-k推荐。实验结果表明,与基于知识图谱的推荐算法、协同过滤算法、基于内容的推荐算法和混合推荐算法相比,该算法的准确率、召回率和F值最高分别提升15.81%、7.27%和8.55%。

新冠疫情科研合作网络的动态演化及其影响因素探析

基于WALKTRAP随机游走算法对科研合作网络进行社区划分,时间上通过建立时间指数随机图模型探究合作网络演化和动态演变影响机制,空间上通过建立空间误差模型探究国家科研合作的影响因素,研究结果显示:科研合作产出的重要社区主要围绕新冠疫情死亡因素、急性呼吸窘迫综合征、通风以及新冠疫情的治疗效果等展开研究;结构上,该社区呈不断发散的、稳进式增长的良性结构,但缺乏创新性和消融性;网络形态上,该社区从高稀疏的多维群集向高聚集的单一群集演变并伴随“小世界”网络特征;国家的科研合作关系具有空间溢出效应,科研产出水平、邻近国家的合作数量、隶属于同一机构作者及其学术成就对国家的科研合作关系均有显著正向影响。

一种随机相位估计简化EM算法

期望最大化(EM)算法在处理随机相位估计时是一个NP-完全问题,目前主要采用梯度算法来对其求解。但该方法存在计算量大、不易稳定且对相邻时刻估计结果依赖严重等问题。基于随机相位模型EM算法的因子图表示,提出了一种简化EM算法,其思想是只针对当前时刻进行独立的EM迭代计算,然后通过相邻相位偏转之间的关系对结果进行修正。仿真实验说明,该方法在减小计算量的同时,提高了算法性能。