基于层次保留的知识图谱嵌入链路预测方法

知识图谱嵌入(KGE)是预测知识图谱(KGs)中缺失链接的重要工具,它将知识图谱中的实体和关系嵌入到连续低维空间中,并尽可能地保留原数据中隐含的各种信息。近年来,一些知识图谱嵌入方法利用极坐标系对知识图谱中普遍存在的语义层次结构进行建模,提升了链路预测任务的性能。然而,这些方法在建模关系时,使用了简单的标度变换并过度关注于实体的层次差,这在一定程度上限制了模型的拟合力。为了应对上述问题,提出了基于层次保留的知识图谱嵌入方法(RHKE),它在建模知识图谱中的关系时考虑了实体本身的层次。具体来说,提出了混合变换,它包含一个倍率项和一个偏差项,当实体层次较低或较高时,标度变换主要受偏差项或倍率项影响。此外,由于变换后模型丢失了实体原本的层次,RHKE使用层次修正项,它将头尾实体的原本层次用不同比例组合后作为关系的附加信息。在多个公开数据集上的实验结果显示,RHKE在链路预测上的性能优于现有的语义层次模型。

基于深度混合模型评分推荐

从用户?项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。

加权好友推荐模型链路预测算法

链路预测是复杂网络的一个重要研究方向。基于节点结构相似性进行链路预测是目前常用的方法。真实网络中存在大量的局部群落结构,针对不同的网络结构构建算法是链路预测的核心问题。利用社交网络好友推荐策略,中介人倾向于将自己更熟悉的人介绍给目标用户,提出了一种节点相似性度量指标。该指标结合局部特征描述并有效区分了用户节点之间影响力的不同,更适用于一类特定的局部群落结构。依据该指标提出的加权好友推荐模型链路预测算法在12个数据集上的实验结果表明,该算法在AUC和Precision两个评价标准上具有明显优势。

基于局部概率解的免疫遗传影响力最大化算法

影响力最大化问题是在复杂社会网络中选择一小部分用户在特定传播模型下最大化影响扩散。基于贪心的蒙特卡洛模拟方法在理论上保证近乎最优的解决方案,但算法运行效率很低。虽然已经开发出许多没有理论保证的启发式方法,但都大大降低了解决方案的质量。为解决该问题,提出局部概率解策略计算节点集的影响力,其性能近似于蒙特卡洛模拟,并且提出基于免疫遗传的影响力最大化算法。在4个真实数据集上的实验表明所提算法在解决影响力最大化问题上的高效性。在影响力传播范围上,和当前表现最好的CELF算法有极其相近的性能,且运行效率比CELF算法快大约5个数量级。

面向MOOC的网络程序设计课程教学模式设计

网络程序设计是计算机本科专业实践性较强的一门课程,该课程内容庞杂、课时有限,因此教学难度较大,教学效果欠佳。文章针对课程特点,探讨设计面向MOOC的网络程序设计教学模式,提出以案例教学为主、在线教学为辅的方案,合理有效地利用在线资源增强学生主动学习与互动学习的能力,对课堂教学进行必要补充。

结合全局与双重局部信息的社交推荐

随着Web2.0的飞速发展,社交推荐逐渐成为推荐领域近几年的研究热点。如何更有效地利用用户的社交关系是社交推荐的关键,目前的社交推荐算法主要引入的是用户之间的直接联系(明确关系)。将社交关系进一步细分为明确关系和隐含关系,并结合历史评分得到的用户声誉信息刻画了由用户全局信息(声誉)与局部信息(明确关系和隐含关系)所构成的推荐系统框架。与现有的社交推荐算法相比,所提出的算法更全面地分析了用户的社交关系,且具有良好的可解释性。在Douban数据集和Epinions数据集上进行了实验,并将本算法与主流的推荐算法进行了比较,结果表明本算法具有更好的推荐精度。

“数字逻辑”虚实分层实验教学模式的设计

该文针对数字逻辑课程实际硬件环境不足,教学效果欠佳等现状,引入虚拟教学方式。利用现有的真实实验平台,通过对实验内容的合理设计与有效划分,建立虚实结合的分层实验教学方案。不同层次采用不同的实验方法,逐步提高学生的实验能力,最终达到实验教学的目的。实践证明,该设计方案切实可行,对"数字逻辑"及其他硬件实验教学方法的改进均可起到启发作用。

时间规划问题中R_-时刻表及其应用

为了处理实际生活中出现的对有时间先后关系约束的事件进行排序的问题,诸如学校排课问题、运动会会场安排问题等一系列资源分配问题,文中实现了一种解决该问题的算法。该算法以文献[1]中的关系矩阵的方法为基础,构造以时间关系约束为条件的时刻表———R-时刻表的一种算法。利用该算法对运动会会场项目进行安排,结果表明在仅为时间关系约束的前提下取得了较好的效果,从而实现了对该类问题的一种新的解决方法。

课程表问题的时间规划求解法

为了处理课程表问题这个NP完全类问题,根据大学编排课表的特点设计了一种全新的使用R_时刻表的设计方法。这是以文献[1]中的求解D时刻表的方法为基础,通过对近年来人们多采用遗传算法的比较,加以改进。利用R_时刻表算法对实际中的课程表问题进行安排,试验说明了该方法具有一定的可行性和有效性。

改进后的D_-时刻表算法及其在实际中的应用

为了处理现实生活中事件发生除了先后关系以外还客观存在的时间宽度问题,文中实现了一种可以实际操作的方法。该方法是以文献[1]中的求解D-时刻表的方法为基础,分析找到了其不足的地方并加以改进。文中利用改进后的算法对该校校园运动会项目进行安排,结果表明该方法取得了较好的效果,从而实现了对该类问题的一种新的解决方法,使得解决该类问题成为现实。

基于路径相互关注的网络嵌入算法

网络嵌入,或者称为网络表示学习,旨在将网络中的节点映射到表示空间中,生成低维稠密的向量,从而在保留网络结构信息的前提下对网络中的节点进行表示,而后通过已有的机器学习方法解决诸如链接预测、节点分类、社团发现和网络可视化等下游任务.随机游走算法可以很好地探索网络中节点的局部结构,然而之前的基于随机游走的表示学习算法只能为节点产生一种角色嵌入,没有考虑到和不同邻居进行交互时节点扮演的不同角色嵌入.因此,提出一种基于路径相互关注的网络嵌入算法,使用节点随机游走产生的上下文信息,通过注意力机制为每个节点生成上下文相互关注的节点嵌入.在真实数据集上的实验结果表明,与三个经典的网络嵌入算法相比,该算法具有更好的表现。

使用遗传算法改进R_时刻表算法

给出了对于多成分R_时间表的解决办法。利用集合的性质把它看成是几个单成分时间关系约束的并集,采用算法I将多成分分解成单成分。使用遗传算法把问题的多成分的时间关系作为染色体的基因位,问题的所有的多成分的时间关系就构成了算法的染色体,以求解关系矩阵中求到的相容子集的个数作为染色体的适应度。算法的终止条件是根据关系矩阵求得的相容子集数等于事件的个数,利用算法II使用遗传算法求解多成分时间规划问题。对实际的问题进行了讨论,使用该算法在有穷次迭代后可得到可行解。

基于交叉覆盖算法的改进算法—最近邻交叉覆盖算法

交叉覆盖算法分类时着重在于两类的交界部分,混杂在另外一类中往往无助于提高分类器的效率,反而会增加分类器的计算负担。本文提出一种基于交叉覆盖算法的最近邻交叉覆盖算法(NN-ACA):对进行训练的原始样本数据进行预处理,删除这些不同类的最近邻点,得到精简后的样本集,再对该样本集使用交叉覆盖算法。文章在介绍算法的同时,给出了相关实验数据,并对其和SVM进行了讨论,结果表明NN-ACA在一定的样本规模表现了速度和分类正确性上的优越性。

车辆路径问题的混合优化算法

讨论了一类车辆路径调度问题(VRP)及其数学模型,并且分析了以遗传算法求解该类问题时的染色体表示和有关遗传操作,然后结合2-opt局部优化算法提出了GAwith2-opt算法来求解VRP问题,试验结果说明了该算法的有效性和可行性。

基于用户声誉的鲁棒协同推荐算法

随着推荐系统在电子商务界的快速发展以及取得的巨大经济收益,有目的性的托攻击是目前协同过滤系统面临的重大安全威胁,研究一种可抵御攻击的鲁棒推荐技术已成为目前推荐系统领域的重要课题.本文利用历史记录得到用户声誉,建立声誉推荐系统,并结合协同过滤推荐领域内的隐语义模型,提出基于用户声誉的隐语义模型鲁棒协同算法.本文提出的算法从人为攻击和自然噪声两个方面对系统的鲁棒性进行了改善.在真实的数据集Movielens 1M上的实验表明,与现有的鲁棒性推荐算法相比,这种算法具有形式简单、可解释性强、稳定的特点,且在精度得到一定提升的情况下大大增强了系统抵御攻击的能力.

基于离散粒子群算法的动态Web服务组合

随着互联网中Web服务数量急剧增加,如何从大量候选服务中快速、动态地选择出满足用户QoS需求的服务组合是亟待解决的关键问题。提出一种基于离散粒子群智能优化算法的DDPSO算法,以解决动态Web服务组合问题。首先引入Skyline技术来剔除冗余候选服务,以降低服务选择时空开销。其次针对PSO易陷入早熟收敛状态,使用Trimming Operators保证粒子群多样性,增强全局搜索能力。最后通过真实数据集和随机数据集的大量仿真实验验证了本算法的可行性和有效性。

结合节点度和节点聚类系数的链路预测算法

链路预测作为复杂网络的一个重要研究方向,基于节点相似性指标进行预测是最为常用的一种方法.传统的链路预测方法通常使用共同邻居数目或节点的度来衡量节点之间的相似性.节点对之间的关系不仅与邻居节点数目和度有关,节点的聚类系数体现了节点的聚集能力,对产生链接会起到一定的作用.基于这个观点,提出一种结合节点度和聚类系数的链路预测算法.利用共同邻居节点的度和聚类系数计算被预测节点对之间的相似性.不仅充分利用网络局部结构信息,还能够体现出共同邻居节点之间的差异性.在十组实际数据集上的实验结果表明,提出的链路预测算法与传统的五个算法(CN,AA,RA,PA,Jaccard)和基于聚类系数的CCLP算法相比具有很好的预测效果.

云制造模式下云服务选择算法研究

云制造为企业间的合作提供一种全新的网络化应用新模式.为实现高效智能地从已发布的大规模候选云服务中选择满足企业合作需求的云服务,在对云服务进行规范化的语义描述和本体建模基础上,提出一种分阶段的云服务智能选择算法.首先利用服务类别语义相似度和状态信息对候选云服务进行初步选择,接着根据候选云服务和请求云服务输入输出功能的语义包含关系以及服务功能属性对候选云服务进行再选择,最后对候选云服务的非功能属性进行选择,从而得到最优的云服务.实例和实验仿真表明了本文算法的有效性和可行性.

基于三元闭包的节点相似性链路预测算法

链路预测作为复杂网络分析的基本方法被应用到很多领域,完全基于拓扑结构信息的复杂网络链路预测仍然是一个具有挑战性的问题。三元闭包作为网络中最小局部结构,具有结构平衡和稳定的特征。提出了一种基于三元闭包的节点相似性链路预测算法,通过计算出每个节点在网络中所占三元闭包的权重,并将该权重用于节点相似性指标中,提出了3个相似性指标TWCN、TWAA、TWRA和具有调节参数的3个相似性指标TWCN*、TWAA*、TWRA*。在10个不同的网络数据集上的实验结果表明,所提算法能够提高链路预测的精度。不仅如此,通过分析实验结果,发现在社交网络中拥有较多三元闭包的节点具有局部稳定性,不倾向于建立更多的新链接;相反,拥有较少三元闭包的节点具有局部不稳定性,倾向于建立更多的新链接。这种现象也符合社会学中有关弱关系产生链接的现象。

联合用户兴趣矩阵及全局偏好的推荐算法

如何从大量无序的信息中向用户准确推荐其最感兴趣的信息,是推荐系统研究领域的重要课题。为此提出一种融合用户兴趣矩阵及全局偏好的推荐算法,用于个性化服务推荐。首先,引入兴趣标签机制形成用户兴趣链,对用户服务评分集合中未评价服务进行填充,对已评价服务进行互补,从而形成用户兴趣矩阵;其次,采用兴趣矩阵的欧几里德距离进行局部相似度计算;最后,联合用户认知差异和全局行为差异形成全局偏好相似度。算法在有效融入了用户的个性化偏好信息的同时,减少了数据集稀疏性,提高了推荐的准确性。在真实的Movie Lens 1M数据集上进行的大量实验表明,与当前具有代表性的推荐算法相比,算法显著提高了推荐精度。