一种基于对比策略强化知识推理的元学习框架

随着知识图谱中新实体不断涌现,现有嵌入式模型难以获取新实体嵌入,导致模型预测精度降低。为此,提出一种基于对比策略强化知识推理的元学习框架。首先,该框架通过对路径重要度排序,提升隐式信息的提取效率;然后,使用一种对比策略表示强关联路径,并依据负路径与目标关系之间余弦相似性剔除过多的冗余信息;最后,使用元学习来转移独立于实体的嵌入。实验结果表明:在链接预测知识图谱任务中,Hits@10指标最高可达96.24%,说明该框架可以有效提升预测精度。

D2D联合模式选择与资源分配的研究

【目的】在通信资源相对匮乏的情况下,针对D2D直通技术复用蜂窝网络资源可能会带来干扰管理、通信模式选择和资源分配等众多技术问题。【方法】本文研究选用模式选择、信道分配和功率控制相结合的方案,由于此方案分配问题是NP-hard问题,因此本文将优化问题划分为两个子问题,其一是为D2D选择合适的通信模式和为每个D2D用户分配合理的信道资源,其二是通过改进的灰狼优化算法为D2D用户和蜂窝用户进行功率优化,以提高整体系统吞吐量,同时保证干扰最小化。【结果】综合上述不同场景下的实验结果表明,本文方案能够有效地降低干扰,提高系统吞吐量,改进的灰狼算法为本方案提升了大约4%的平均吞吐量。【局限】灰狼优化算法处于不断地发展演变之中,自身也存在着一定的局限性。【结论】在后续的工作中将继续探索并考虑网络状态和用户移动性,在保证系统性能的同时提高系统吞吐量。

面向多用户移动边缘计算轻量任务卸载优化

在移动设备资源受限的情况下,移动边缘计算(MEC)通过合理分配边缘服务器和多个移动设备的计算资源来提高移动设备用户的计算体验.然而这种密集计算问题是一种高维的NP难问题,传统机器学习方法在解决该问题的时候并没有良好的效果.本文将最佳计算卸载问题建模为马尔可夫决策过程,目标是最大化长期效用性能,根据队列状态,能量队列状态以及移动用户与基站之间的信道质量做出卸载决策.为了降低状态空间中高维性的问题,提出了应用DDPG的基于候选网络优化ECOO(Edge Computing Optimize Offloading)算法,从而产生一种用于解决随机任务卸载的新型学习算法.通过实验证明,提出的ECOO算法在时延和能耗方面均优于其它传统机器学习方法.

实现课堂教学高效化的探索

学生获得知识,形成能力的主要场所是课堂,而课堂教学又是实施素质教育的主渠道。在推进素质教育的今天,应如何实现课堂教学的高效化呢? 一要精心搞好课堂设计。课堂设计是课堂教学的前期准备工作,是顺利完成课堂教学目标和任务的前提和保证。在上课之前,教师要以素质教育为指导思想,依据教学大纲的要求。