图卷积算法的研究进展

近年来,随着科学技术的发展,越来越多的数据以图的形式呈现和存储。图是不规则的数据,具有分散性和无序性,除了节点本身可赋予数据的特征外,边权信息更可以刻画节点间的相似性。虽然传统的深度卷积网络能有效处理图像、视频、语音等规则的数据,但直接用以处理图的数据效果并不理想。如何借鉴传统的卷积算法,提出适应图数据特点的学习算法,是当前深度学习研究的一个热点。文章拟对面向图数据的图卷积算法进行归纳总结,然而由于篇幅有限,无法对所有算法做到面面俱到的介绍,因此文章侧重于介绍模型背后的原理,分析并指出这些算法的优缺点,同时扼要介绍图卷积网络的主要应用。

基于语言变迁的办公室选址模型——2018年美赛B题点评及改进

本文是对2018年美国大学生数学建模竞赛获得特等奖的5篇论文点评及模型改进.首先,对2018年美赛B题的要求进行概括和分析;然后,对获得特等奖的5篇论文进行点评;最后,基于获奖论文的模型进行改进,分别建立了母语使用者数量分布模型、非母语使用者数量分布模型、母语使用者地理分布模型和非母语使用者地理分布模型,由以上模型得到各种语言的使用者数量分布和地理分布,建立了公司新办公地点选址模型,确立了公司新的办公室地址.