融合知识感知和时间感知的用户偏好网络

在知识感知推荐领域,基于嵌入传播的方式可以挖掘知识图谱的结构化信息,也能够获取n跳实体间的语义信息,但随着传播范围的增加,嵌入传播方式会丢失部分结构化信息,且以这种方式所获得的用户向量表示是粗粒度的,不能充分表征用户的偏好。针对以上问题,提出了一种融合知识感知和时间感知的用户偏好网络(FKTUPN)。首先在嵌入层生成知识图谱的一阶嵌入向量,同时单独为用户偏好进行细粒度的建模;然后用随机游走的方式划分时间槽,进行时间上下文编码,获取图结构的上下文信息,并将该结构化信息嵌入到关系向量中;随后通过知识感知注意力机制区分嵌入表示的贡献并递归传播;最终在预测层中聚合不同传播层次的用户和项目表示,将两种表示相乘后得到推荐结果。实验表明,该模型在Amazon-book、Last-FM以及Yelp三个数据集上的recall@20、NDCG@20指标得分均高于对比的基线模型,细粒度的用户偏好表示以及结构化信息的充分利用能够有效提高推荐的准确度。

解纠缠邻域信息聚合的知识图谱补全方法

针对现有基于图神经网络的知识补全模型在处理知识图谱异构性上的不足,及大部分模型采用单一静态实体表示方式导致的模型表达能力受限问题,提出一种基于图注意力网络的解纠缠邻域信息聚合模型。首先,该模型通过学习每个实体的解纠缠表示,对实体的潜在影响因子进行多组件表示。其次,利用注意力机制,为两个相连的实体选择最具影响力的潜在影响因子作为连接要素。接着,通过关系感知注意力机制自适应地聚合实体因子级的邻域消息,有效地减少了在信息聚合过程中不相关信息的相互干扰,进而显著增强了模型的语义表达能力。此外,为了使模型在评分过程中关注与给定关系最相关的实体组件,进一步引入了一个自适应评分系数,使模型能够自适应地感知给定的关系与实体不同组件的关联度。实验结果显示,提出的模型在WN18RR和FB15K-237数据集的知识图谱补全任务上相较其他先进基线模型表现更优,并显著地增强了模型的表达能力。

面向人工智能深度学习的知识图谱补全技术与应用综述

知识图谱旨在为各种领域提供更加全面可靠的服务,在实际应用中的价值不可估量,为了使其不断更新和趋于完整,知识图谱补全技术开始被提出;近几年,随着人工智能和深度学习的兴起,许多国内外学者对知识图谱补全方向进行深入研究,出现了很多面向人工智能深度学习的知识图谱补全模型,但相关的文献综述却并不多;为了提供一个全面了解该领域的框架,有助于读者能够掌握当前的研究进展和应用情况,并为未来的研究和应用提供一些参考;通过介绍其概念和典型的知识图谱,从深度学习的知识补全技术的3个角度展开,分析和归纳了目前基于深度学习的知识图谱补全模型,探讨了不同模型的优缺点及改进模型;同时,讨论了现阶段知识图谱补全任务所存在的问题和挑战,并探索了该领域的应用方向和发展前景;综上所述,深度学习在知识图谱补全中具有巨大的发掘价值,亟待学者们进行更深入的研究和进一步地创新。

基于spearman秩相关的序值决策系统约简

约简是知识发现的重要过程。经典的基于等价关系的粗糙集理论,没有考虑系统取值的序值性,并且对数据噪声较为敏感。提出了一个基于spearm an秩相关分析的序值决策系统约简方法,该方法通过各属性对被决策个体的spearm an秩次的影响来确定约简结果。实验结果表明,该方法不但考虑了系统属性值的序值关系,并且对数据噪声不敏感,因而更符合实际应用的要求。

基于神经网络的工程图表数值计算

以典型的工程图表为例,提出了一种用神经网络来解决工程设计中的查表问题的实用方法。计算结果表明,对于一个较为复杂的工程图表,需要一个4层的BP神经网络才能很好地处理,从而为工程设计CAD提供了一个有效的方法。

任务驱动式教学方法应用研究

任务式教学法是一种有效的以学生为中心的教学方法。本文从应用的角度剖析了该教学方法中的几点要求,并以程序设计语言教学为例说明了任务式教学的方法与效果。

基于近似约简的基因选择方法

为了对癌症等疾病分型、诊断及进行病理学研究,利用基因微阵列数据识别疾病相关基因.考虑到了基因微阵列数据是典型的矛盾决策系统,在证明矛盾系统在近似分布集上是协调的这一事实的基础上提出了一套近似分布约简理论,讨论了不同近似分布集上约简之间的关系,提出了基于近似约简的基因选择方法.使用两组真实的基因表达数据对所提出的方法进行了验证.实验结果表明,该方法能在保持分类能力的情况下降低特征基因集的相关性,从而显著地减少特征基因的数量.

生物发酵过程温度PID控制器设计

设计并分析生物发酵过程温度控制器的性能,讨论了控制品质调节的可行方案,利用人工神经网络解决了实时控制过程中的参数调节等复杂计算问题。其实现方法简单易行,对其它工程应用也有一定的参考价值。

基于主曲线的微阵列数据分类

提出了一种基于主曲线(principal curves)的微阵列数据分类方法(PC)。主曲线是第一主成分的非线性推广,它是数据集合的"骨架",数据集合是主曲线的"云"。基于主曲线的微阵列数据分类方法,首先利用专门设计的算法在训练数据集上计算出每类样本的主曲线,然后根据测试样本与各类样本主曲线距离的期望方差来确定测试样本所属的类别。实验结果表明,该分类方法在进行小样本微阵列数据分类时性能优于现有的方法。

不完备信息系统中测试代价敏感的可变精度分类粗糙集

在不完备信息系统中,可变精度分类关系是限制容差关系的改进形式,但其并未考虑数据集中属性的测试代价。为解决这一问题,提出了基于测试代价敏感的可变精度分类粗糙集模型。进一步地,通过分析传统启发式算法没有考虑测试代价以及回溯算法的时间消耗等因素,提出一种新的属性重要度测量,并在此基础上设计了一种新的启发式算法。通过实验对比分析,说明了新提出算法的有效性。

不完备模糊系统的优势关系粗糙集与知识约简

以不完备模糊决策系统为研究对象,根据拓展的优势关系,构建了粗糙模糊集模型,以获取不完备模糊决策系统中的"at least"和"at most"决策规则。为了获取简化的"at least"和"at most"规则,在不完备模糊决策系统中,提出了两种相对约简(相对下近似约简与相对上近似约简)的概念,给出了求得这两种约简的判定定理及区分函数,并进行了实例分析。

类不平衡模糊加权极限学习机算法研究

从理论上分析了样例不平衡分布对极限学习机性能产生危害的原因;在该理论框架下探讨了加权极限学习机在处理此类问题上的有效性及其固有缺陷;引入模糊集的思想,对传统的加权极限学习机进行了改进,并提出了4种用于解决类不平衡问题的模糊加权极限学习机算法;最后通过20个基准的二类不平衡数据集对所提算法的有效性和可行性进行了验证。实验结果表明:较之加权极限学习机及几种传统的不平衡极限学习机算法,提出的算法可明显获得更优的分类性能,并且与模糊加权支持向量机系列算法相比,所提算法通常可获得与之相当的分类性能,但时间开销往往更小。

下一代互联网体系结构研究进展与分析

TCP/IP体系结构关注主机互连、数据可达,尽力而为、端到端、边缘智能、中心笨拙等设计思想是互联网成功壮大发展的重要因素,然而,其设计局限性也使其难以支持下一代互联网发展,迫切需要研究下一代互联网体系结构设计.在TCP/IP体系结构存在的问题分析基础上,详细介绍国际上已开展的重大下一代互联网研究项目进展情况,总结和借鉴这些研究项目对下一代互联网体系结构设计问题的观点,给出下一代互联网体系结构设计的需求目标,提出其体系结构参考模型设计指导原则,对目前国内外已提出的各种下一代互联网体系结构进行分类、综述和分析,并展望后续研究工作.

一种基于粗糙集的决策树生成算法

针对决策树的构造和修剪通常不能同时进行所产生的效率低下的问题,提出了基于粗糙集理论中知识依赖性的决策树构造方法。利用优先策略,将知识依赖性同时作为属性约简和建树的准则,在决策树预修剪的同时进行节点生成,大大提高了决策树构造的效率。使用Fisher's iris数据集对基于粗糙集理论中知识依赖性的决策树生成算法和用回归拟合方法的决策树生成算法进行比较。实验结果表明,前者的分类精度和决策树模型的复杂程度要明显优于后者。

基于类属属性约简的多标记学习

在多标记学习中,由于不同的标记可能会带有自身的一些特性,所以目前已经出现了基于标记类属属性的多标记学习算法LIFT。然而,类属属性的构建可能会增加属性向量的维度,致使属性空间存在冗余信息。为此,借助模糊粗糙集提出了一种能够进行类属属性约简的多标记学习算法FRS-LIFT,其包含4个步骤:类属属性构建、属性维度约简、分类模型训练和未知样本预测。在5个多标记数据集上的实验结果表明,该算法与LIFT算法相比,不仅能够降低类属属性维数,而且在5种多标记评价指标上均具有较好的实验效果。

基于结构化Fisherface的人脸识别新方法

特征提取是人脸识别中一个关键步骤。传统的Fisherface人脸识别方法中用样本的类均值和总体均值定义相应的散布矩阵,丢失了样本个体之间的结构信息,本文提出了一种基于原始样本个体结构信息的结构化Fisherface人脸识别方法,最后得到的特征数据中保留了原始样本更多的分布信息。在ORL人脸数据库的实验结果验证了该方法的有效性。

基于区域模糊直方图的图像检索

将图像分割算法和模糊理论相结合,提出了基于区域模糊直方图的图像检索方法。用快速聚类算法对图像进行区域分块,以各区域的视觉特征为基础,建立图像模糊直方图并进行图像检索。在1000幅通用图像库上的实验表明,该方法可以得到比较满意的检索结果。

可调节模糊粗糙集:模型与属性约简

模糊粗糙集是经典粗糙集为适应实际应用需求所进行的拓展,然而目前很多的模糊粗糙集模型都仅仅使用多个二元关系的简单融合方式,不具备调节功能。为解决这一问题,使用参数化的二元算子,提出了一种可调节的模糊粗糙集模型。在此基础上,将近似质量作为度量标准,使用启发式算法来求解可调节模糊粗糙集的约简。最后对可调节模糊粗糙集的近似质量和约简与强模糊粗糙集、弱模糊粗糙集的结果进行了比较分析。实验结果表明,可调节模糊粗糙集通过使用不同的参数,具有很好的调节作用,是强模糊粗糙集和弱模糊粗糙集的一种泛化形式。

不完备目标信息系统中的可变精度粗糙集模型

文中以同时具有缺席型和遗漏型未知属性值的不完备目标信息系统为研究对象,根据特征关系,研究可变精度粗糙集的模型及其性质.可变精度粗糙集模型与原始的粗糙集模型不同,它是建立在集合多数包含的基础上的,因而该模型是基于特征关系的经典粗糙集模型的推广形式,而基于特征关系的经典粗糙集模型则是可变精度粗糙集模型的一种特殊表现形式.文中对新模型的主要性质作了阐述和证明,结果表明:在不完备目标信息系统中,新模型与原始的粗糙集模型相比具有更高的近似精度,可进行更为精确的度量.

一种基于独立成分分析和径向基神经网络的人脸识别新方法

提出了一种新的基于独立成分分析和径向基神经网络的人脸识别方法。独立成分分析可以从高阶上消除特征数据的相关性,改进了主成分分析方法只能从2阶上消除数据相关性的弱点;最终特征数据的分类由RBF神经网络来实现。在人脸数据库上的实验结果表明该新方法的识别性能较其他方法有了很大提高。