基于图神经网络的多层银企网络融合研究

针对金融行业内潜在系统性风险难以精准识别问题,基于直接系统性风险传染渠道的借贷数据以及间接渠道的互联网文本信息,构建多层银企网络,并利用图卷积神经网络(GCN)设计多层银企网络融合模型,根据融合网络量化评估29家银行和75家房地产机构的不同渠道系统性风险传染过程。实验结果表明,在多层金融网络融合任务上,本文融合模型的准确率达到0.8559,优于对比模型。融合网络分析表明,多层网络共同冲击下的银企系统性风险传染能力明显大于单一或者2层网络的系统性风险,且基于间接渠道的企业间网络系统性风险更明显。金融审慎监管应该更多关注文本数据、深度学习等技术对于整合庞大金融资源的能力和有效提高风险监测预警的能力。

基于经典扎根理论的游戏身份构建研究

基于经典扎根理论的研究结果表明,大学生群体参与网络游戏是出于游戏特征和心理诉求两种动机;受访者需求的满足程度会形成最强大佬、社交中枢、万年咸鱼三种截然不同的游戏身份认同感;玩家在游戏中可能获得的优越感与游戏身份归属,造成游戏玩家间的主观阶级区分;游戏参与者即使在游戏中投入大量时间、金钱,精力,也能保持理性认知,而非游戏沉迷。

基于文本卷积神经网络模型的抗菌药物发现

目的 基于文本卷积神经网络(Text-Convolutional Neural Network, Text-CNN)算法,构建抗金黄色葡萄球菌(Staphylococcus aureus)活性的预测模型,通过虚拟筛选发现具有抑制S.aureus活性的苗头化合物。方法 从ChEMBL数据库中收集并整理了26327个标注有S.aureus活性数据的化合物,通过随机采样建立10组训练集和测试集,采用Text-CNN算法建立10个模型,通过模型评估选择性能最佳的模型,对该模型进行Y-随机化检验和应用域分析。使用该模型虚拟筛选内部化合物库,确定潜在的抗菌化合物,并采用微量肉汤稀释法测定化合物的抗S.aureus活性。结果 名为Text-CNN3的机器学习模型具有良好的分类性能,该模型对于测试集的马修斯相关系数为0.573,ROC曲线下面积为0.881。基于该模型的虚拟筛选和抗菌活性测试,发现了两个抗菌活性化合物Y5和Y7,其对S.aureus的最低抑菌浓度(minimal inhibitory concentration, MIC)分别为8和4μg·mL^(-1)。结论 本研究建立的Text-CNN3模型可有效发现抗S.aureus化合物,所发现的苗头化合物Y5和Y7有进一步研究的意义和价值。