基于个人经历知识图谱的领域评审专家亲密度计算

针对领域评审专家与申请人之间亲密度过高影响评审结果公正性的问题,提出了面向个人经历知识图谱的亲密度计算方法。首先采用自顶向下与自底向上相结合的方法构建知识图谱;然后从中查找专家与申请人间建立的多条社会关系传播路径,并利用专家评价法对其量化处理;最后分析直接关系和间接关系的形成特点,建立亲密度计算模型。实验表明,该知识图谱可有效表示基于专家个人经历建立的关系网络,挖掘隐含的多条亲密社会关系,提高专家亲密度计算的准确性。

基于大数据平台的网络日志机器行为分析

为从海量日志中分析并提取可能存在的机器行为日志,应用概率统计和K-means算法对网络日志进行分析,提出基于多阶段层次化判别的ChenRF模型,共包含两部分内容,分别为基于特征规则和阈值匹配的机器行为判定模型与基于Bi-LSTMAttention的机器行为识别模型。应用Spark批处理框架,对所提模型进行算法实现,构建以一小时为单位的分布式网络日志批处理分析平台。在1万和千万级别规模的数据上,对构建的大数据日志分析处理平台进行测试,验证了所提模型的有效性。

异构分布式深度学习平台的构建和优化方法研究

深度学习与大数据技术的结合在资源管理、任务调度等方面还存在许多问题,有待解决与优化。针对异构资源管理能力弱、原生调度算法灵活性差、多框架缺少统一的使用接口3个问题,提出了一种异构资源下分布式深度学习框架整合平台,并对任务调度算法的优化进行研究。平台以Spark框架为基础,向下对异构资源进行拓展与管理,向上整合了SparkOnAngel与TensorFlowOnSpark 2种框架,使用物理标注的方法,为挂载不同计算资源的机器打上不同的标签,并借助资源模型的双重表示,进行调度算法优化。结果表明:该平台与传统的spark集群相比,在5个minist_spark与5个WordCount混合任务场景下,执行耗时降低13.4%;在大批量的WordCount任务场景下,当作业量达到60时,执行耗时可降低至32.31%。平台能够扩展对GPU资源的管理,调度算法更加灵活高效,可为多个框架提供统一的调用接口。

因果关系抽取研究综述

因果关系抽取是自然语言处理技术的一个重要研究分支。以时间为轴线,概述了各阶段的特点。因图神经网络能更好应对复杂因果关系,重点总结了基于图神经网络因果关系抽取的模型,从依赖路径、语义结构、时序等方面分析了现有研究中图结构的构建方式,并对各模型进行了归纳与比较。最后展望了因果关系抽取领域的发展趋势。