面向化工企业事故的根原因关联分析

化工事故发生的根原因多是由人的不安全行为、机械或物的不安全状态等引发,其本质是企业管理上的缺陷。挖掘根原因间、根原因与事故间的关联关系是预防事故、提升企业安全管理水平的关键。由于事故调研根原因分析与安全管理指标体系存在稀疏关联现象,难以挖掘管理缺陷与事故演化间的关联关系。为此,本文通过协同过滤算法填补事故调研中缺失的评分数据;基于加权支持度计数的关联规则算法挖掘事故根原因间、根原因与事故属性间的强关联规则。实验结果表明,基于加权支持度的关联分析算法相比于现有的算法,能推荐更多危险程度高的企业潜在安全隐患及安全隐患与事故间的演化关联,从而能科学指导企业安全生产,实现面向生产过程的风险预警和事故预防。

基于Node2Vec的重叠社区发现算法

针对目前基于种子节点选择的社区发现算法在准确性和复杂度等方面存在的不足,提出了一种基于Node2Vec的重叠社区发现算法.首先,使用Node2Vec算法学习到网络中每个节点的向量表示,用以计算节点间的相似度,其次,利用节点影响力函数计算节点影响力并找出种子节点,然后基于每个种子节点进行社区的扩展优化,最终挖掘出高质量的重叠社区结构.本文选取多个真实网络进行了对比实验,结果表明,本文所提出的算法能够在保证良好稳定性的前提下发现高质量的社区结构.

基于特征扰动的半监督专家发现方法

专家可为社区问答提供权威的答复,高效精准的专家发现有助于提升问答社区的服务质量.现有社区用户数据中存在噪声标签数据,且由于专家数量较少造成分类数据不平衡,从而降低了监督学习模型的专家发现精度.针对上述问题,本文提出一种基于特征扰动的半监督专家发现方法.该方法构建了一种无标签数据特征扰动策略,利用Sharpening算法实现无标签数据的伪标签化;基于ADASYN算法,通过构建专家用户邻近样本的方式扩充专家样本数据量,缓解分类数据的不平衡;构建联合损失函数,利用有标签和伪标签数据共同训练分类器,增强模型的泛化性能.实验结果表明,该方法在多个评价指标上优于已有模型和方法.

基于记忆的注意力图神经网络专家推荐方法

在问答社区专家推荐算法中,图神经网络主要利用问答社区中用户与问题的交互关系建模,其模型性能取决于交互数据的稠密度,难以对无交互信息的用户及问题进行有效表示学习.针对这一问题,提出了一个基于记忆的注意力图神经网络专家推荐方法 .该方法首先设计了面向用户多维特征的联合表示子网络,然后构建了一个记忆网络,为每个问题保存用户回答过的与其相似的问题,同时在用户表示与相似问题表示之间引入注意力机制,从不同用户的视角,有针对性的融合相似问题构建新问题的向量表示,最终基于用户和问题的表示为问题推荐专家,有效提高了专家推荐的准确性.在数据集中对本文所提出的方法进行验证,相较于同类其他模型性能均有所提升.

在线问答社区——海川化工论坛的回答者推荐算法

推荐系统已经在开发者社区Stack Overflow以及知乎、百度知道等热门问答社区发挥了重要作用,也即将成为海川化工论坛提高问答效率的关键技术。海川化工论坛作为国内最大的化工问答社区,问题不能得到及时有效的解答主要由于2大难点:稀疏性和冷启动。本文提出一种融合DeepFM与矩阵分解的混合推荐方法。算法以DeepFM作为辅助算法,矩阵分解作为主算法,通过结合用户的个人特征与问题的自身特征为论坛中的新问题推荐合适的回答者,可有效解决社区中的问题冗余。通过计算测试集的均方根误差与平均绝对误差,进一步验证本文提出的方法在海川化工论坛的有效性和可行性。