基于冲突划分的位图多版本增量创建算法

根据位图操作间的冲突关系对待执行操作在位图版本中的冲突像素区域进行冲突划分,将属于相同冲突的像素区域独立成一个冲突像素集。使用多版本方法解决冲突,即对于每一个冲突像素集,将位图版本增量复制后,分别在冲突像素集中所包含的像素区域执行冲突操作的操作效果得到增量创建的位图版本,以达到一致性维护的目的。最后对方法的正确性和有效性进行了证明。在自定义的数据集上进行实验,结果表明,所提出的CDBMVIC算法产生的位图版本数量和冗余位图版本数量都比BTMVIC算法少。

求解最小支配集问题的禁忌遗传混合算法

将最小支配集问题转换为一系列判定问题k支配集问题,并提出一种禁忌遗传混合算法对k-DS问题进行求解。此算法将禁忌搜索算法和遗传算法两种启发式算法结合起来,互补不足。高效的邻域结构保证了算法的运行效率,禁忌策略防止算法过早陷入局部最优陷阱,遗传算法框架进一步增强了算法的疏散性。经过与现有求解最小支配集算法的结果进行分析比较,禁忌遗传混合算法的结果较其它算法更优。

面向超图的可解释性对比元路径群组推荐

在群组推荐中庞大且稀疏的数据往往容易忽视用户群组及项目之间的复杂依赖关系,因此融合不同用户偏好行为嵌入,使用户对群组依赖关系的表现更直观,同时为了在对比中增强视图效果,以获得更准确的推荐结果的目的,提出了一个面向超图的可解释性对比元路径群组推荐框架。通过聚合用户项目群组之间的依赖关系,构建元路径表现实体之间的不同类型交互,以促进实体的相似性,更准确地从数据中获取用户的组内、组外交互;通过将可解释性模型与对比学习相结合的技术,以提高模型的可解释性和性能;通过解释引导增强操作在模型框架上生成的正负视图上结合自监督对比学习,来解决上述问题。在真实数据集上进行实验,验证了所提出方法的有效性。

求解最小双连通支配集问题的变邻域禁忌搜索算法

针对经典NP难优化问题——最小双连通支配集问题,提出了一种元启发式求解算法——变邻域禁忌搜索算法。算法将原优化问题的求解转换为一系列判定问题——k双连通支配集问题的求解,使用两种邻域结构更加有效地覆盖解空间,同时使用扰动及禁忌机制帮助算法跳出局部最优陷阱。通过与现有文献中的精确算法、启发式算法在国际文献公开的38个双连通图算例上的实验对比,结果表明变邻域禁忌搜索算法能够有效求解最小双连通支配集问题,可求得所有公开算例的最优解,并且在稠密图中计算效率明显优先于其他算法。

基于K-shell位置和两阶邻居的复杂网络节点重要性评估方法

K-shell分解法能快速识别复杂网络中的关键节点,但是无法辨别同壳层内节点重要性的差异,并且低估了处于网络边缘位置的高度值节点的重要性。针对这两个问题,提出一种基于K-shell位置和两阶邻居的节点重要性评估方法。该方法根据K-shell分解过程中节点移除的顺序细化节点的全局位置信息,然后综合考虑节点的局部拓扑结构信息和全局位置信息,利用两步长内邻居节点的K-shell位置信息度量节点的重要性。在八个真实网络上用传染病模型进行仿真实验,结果表明,所提方法与其他五种相关方法相比能更准确有效地评估并区分节点的重要性。

基于邻居层级分布引力模型的节点重要性评估方法

引力模型能有效融合节点的多种信息,弥补了传统的节点重要性评估方法考虑的节点信息不全面的问题.然而现有的引力模型相关方法在定义节点质量时考虑的因素单一,并且忽略了邻间拓扑结构在度量节点重要性中的重要作用.针对上述问题,提出一种基于邻居层级分布的引力模型方法来评估节点的重要性,该方法首先将节点的邻居信息和位置信息融合,用来表示引力模型中物体的质量,然后根据节点与其邻域节点的拓扑结构的相似度来定义引力系数,最后利用节点与邻域节点之间的相互作用力之和来度量节点的重要性.在6个真实网络数据集上进行仿真实验,结果表明,该方法的单调性和准确性都优于其他引力模型相关方法.

基于胶囊图卷积的解缠绕会话感知推荐方法

针对会话推荐模型中存在的推荐准确率不高的问题,提出了一种基于胶囊图卷积的解缠绕会话感知推荐方法(CGCD)。具体来说,采用解缠绕学习技术将项目嵌入转换为基于多个子通道的因子嵌入,利用图卷积网络对因子嵌入进行细粒度的学习。然后,利用胶囊动态融合策略聚合不同的因子获得新的项目嵌入。此外,采用多头注意力机制为会话中每个项目分配权重。最后,根据分配的权重将项目嵌入与当前会话中的其他项目进行聚合,进而生成准确的会话表示,实现项目推荐。在两个公开真实数据集上的实验表明,所提模型在推荐的Pre@10,Pre@20,MRR@10和MRR@20上平均提高了5.17%、2.99%、6.56%和2.94%,验证了其有效性与高效性。

面向改进的时空Transformer的交通流量预测模型

针对基于时空Transformer模型的交通流量预测模型性能不高的问题,提出了一种基于编解码器的改进的时空Transformer模型(improved spatio-temporal Transformer model,ISTTM)。编码器对历史流量特征进行编码,解码器预测未来序列。编码器将空间稀疏自注意力和时间层次扩散卷积相结合,捕捉交通流量的动态空间相关性和局部空间特征,再利用时间自注意力建模非线性时间相关性;解码器与编码器类似地挖掘出输入序列的时空特征。基于编解码器提取的时空特征,采用双重交叉注意力模拟历史交通观测对未来预测的影响,建模每个历史时间步和每个未来时间步的直接关系以及对整个未来时间段的影响,并输出未来交通流量的最终表示。为了证实ISTTM的有效性,在METR-LA和NE-BJ两个真实世界的大规模数据集上进行实验,ISTTM结果优于6个先进的基线。

基于全局图扩散和时空感知的解缠绕会话推荐方法

针对会话推荐中存在的推荐性能不足的问题,提出了一种采用全局图扩散和时空感知的解缠绕图神经网络模型(GDST-GNN)。具体来说,该模型首先基于所有会话从全局视角下构建全局协同图,然后采用图扩散作为项目的全局表示学习的消息传播范式,以捕获超越当前会话外的全局信息。对于当前会话的表示学习,设计了一种解缠绕时空门控网络建模会话中项目的复杂转换模式和时序依赖模式,然后将学习到的全局表征和局部表征逐因素融合。此外,还采用了一个自监督任务实现模型的性能增强。最后,通过注意力网络生成会话表示,实现了项目的准确推荐。在四个真实世界中的数据集进行广泛的实验验证了所提出模型的有效性。

基于Fastformer和自监督对比学习的实例分割算法

针对现有的实例分割算法对有遮挡以及模糊实例检测精度低、掩码较粗糙以及泛化能力弱的问题,提出一种基于Fastformer和自监督对比学习的实例分割算法。首先,在特征提取网络之后加入基于加性注意力的Fastformer模块,并对每一层特征图中的像素点之间的相互关系进行深入建模,以提高算法对特征图全局信息的提取能力;其次,受自监督学习启发,加入自监督对比学习模块对图像中的实例进行自监督对比学习,以提高算法对图像的理解能力,从而改善在噪声干扰较多的环境下的分割效果。在Cityscapes和COCO2017数据集上的实验结果表明,相较于近期经典的实例分割算法SOLOv2(Segmenting Objects by LOcations v2),所提算法的平均精度均值(mAP)分别提高了3.1和2.5个百分点,并在实时性和精度之间达到较好的平衡,在比较复杂的场景实例分割中具有较好的鲁棒性。

基于知识图谱的新闻推荐神经网络模型

新闻推荐的目标是根据用户的历史阅读习惯,为用户推送其感兴趣的新闻内容。现有的方法存在特征学习不足的问题,没有考虑到用户与浏览新闻之间的关系,以及不同候选新闻对用户的重要性。针对以上问题提出一种基于知识图谱的新闻推荐神经网络模型。首先使用GloVe模型(Global Vectors for Word Representation)和基于翻译的模型(TransX)分别从新闻语义和知识层面得到文本语义特征、实体特征和实体在知识图谱中的上下文特征。然后,使用LSTM-CNN网络挖掘新闻和用户深层次信息,得到用户的新闻偏好向量,同时引入注意力机制减少新闻无关题材的影响;最后通过点击求和计算用户对候选新闻的偏好值并生成最终的推荐结果。在真实新闻数据集MIND上的实验结果表明,本文所提出的模型相对现有的DKN、DeepFM、DeepWide模型,在AUC、MRR、NDCG@k指标上表现的更优异。

基于动态规划的优先语义扩充求解算法

抽象辩论框架中的优先语义是判断争议可接受程度的最重要语义。现有优先扩充求解方法多用标记映射求解,依赖于标记的定义、转换规则、相邻争议的标记。算法每次迭代会产生一个新的抽象辩论框架导致时间、空间复杂度较高。提出一种基于动态规划的优先扩充算法,在动态规划中加入争议可接受性判断,求出辩论框架中极大可容许集得到优先扩充。在基于随机抽象辩论框架与ICCMA提供的数据集进行实验,同Heureka、ArgSemSAT等算法进行对比。结果表明,求解相同数量的优先扩充,算法耗时较少,时间、空间复杂度有所降低。

一种句袋注意力远程监督关系抽取方法

为了促进知识图谱技术在课程教学中的应用,解决课程知识点的实体关系抽取困难问题,提出基于句袋注意力的远程监督关系抽取方法。利用远程监督方法从“大数据处理技术”课程教学文本中自动获取训练语料;用PCNN提取句子特征,采用句袋注意力机制对远程监督方法标注的数据中存在的大量噪声去噪;通过带有注意力的词向量捕捉上下文语义信息,并融合实体的位置信息、类型信息构造实体特征,输入Bi_LSTM模型获得知识点关系抽取。实验表明,该方法在“大数据处理技术”课程实现F1值为88.1%的知识点关系抽取。

基于全局采样的混合门控神经网络推荐模型

为缓解在数据稀疏情况下,推荐性能降低的问题,提出一个基于融合评分数据和文本数据的混合推荐模型。采用词级注意模块从项目内容描述和用户评分中学习项目的隐藏特征,使用一种门控神经网络对获得的隐藏特征进行更有效的特征融合,采用集成邻域注意力和自动编码器的学习框架对用户的偏好进行建模。采用基于新的全局采样策略优化相关损失函数,提供更加精准的推荐服务。实验结果表明,该推荐模型优于主流先进推荐模型。

求解最小支配集的线性混合整型规划算法

提出了一个高效的求解最小支配集问题的线性混合整数规划算法(MILP)。该算法主要针对最小支配集问题的特点建立整数规划模型,并通过Gurobi求解器进行优化求解。采用当前国际文献公开的共74个算例作为算法测试实验集,与FKW算法、传统的Grandoni算法以及改进的Grandoni算法进行比较。实验结果表明,该算法的计算效率明显优于其它的精确算法,且在所有算例上都能得到精确解。

求解最小连通支配集问题的变深度邻域搜索算法

本文提出了一种求解最小连通支配集问题的变深度邻域搜索(VDNS)算法.结合最小连通支配集问题的特点,VDNS算法采用了一种高效的邻域结构,该邻域结构由一系列基础邻域动作组成,合理地限制了搜索空间,提高了算法的搜索效率.同时,本文还提出了两种提高算法搜索效率的方法:修剪搜索分支以及增量评估更新技术.用本文提出的VDNS算法对当前国际文献公开的共91个算例进行了测试,VDNS算法能够在非常短的计算时间内改进其中38个算例,优于此前国际文献中报道的最好结果,表明了本文所提出的VDNS算法的有效性.