基于矩阵运算加速的改进社区发现遗传算法

社区发现算法是复杂网络领域的重要研究工具,然而传统的社区发现遗传算法在大规模网络下存在初始种群质量不佳和运行效率低下的问题。为此,本文提出一种基于矩阵运算加速的改进社区发现遗传算法。针对初始种群质量不佳的问题,提出一种新的初始化算子,采用闭包系数有偏向地选择节点构建高质量初始社区;针对计算效率低下的问题,基于矩阵运算重构了传统社区发现遗传算法各个算子,使得算法能使用GPU加速,提升计算效率。仿真实验结果表明,在不同规模的真实网络和LFR合成网络下,本文算法既能保证良好的划分精度,又展现出较其他主流同类算法更高的计算效率。

基于卷积推理的多跳知识图谱问答算法

多跳问题相比于简单问题更符合人们日常的提问方式,同时,研究多跳知识图谱问答(KGQA)算法有助于智能问答系统的推广。然而,现有的多跳KGQA方法在2~3跳问题和不完整知识图谱上的答案推理能力较弱。针对这一问题,本文提出基于卷积推理的多跳KGQA算法。首先,为了获取更具表示能力的问题嵌入向量,本文根据问题与关系的语义相似性提出结合字符特征和语义特征的问题嵌入模型;而后,为了增强算法的长链接推理能力,提出基于卷积神经网络(CNN)的答案推理模型来抽取嵌入向量的高阶信息。实验结果显示,相比于已有的5种算法,本文算法在MetaQA数据集的2跳和3跳问题答案预测准确率分别提高了1.7和1.3个百分点,在不完整知识图谱的2跳和3跳问题上分别提高了9.4和9.3个百分点。