面向科技主题发展分段的社区核心圈技术

现有的主题发展分析主要集中在总体趋势的识别上,不能回答"该领域目前处于什么发展状态?"等问题。提出了一种新的研究任务,旨在考察科技主题所处的发展状态。为完成此任务,在利用网络社区建模主题的基础上,提出了一种基于社区核心圈的分析技术。按照核心圈生长过程中的分裂期和分裂间期,将主题发展划分为产生、扩张、浸润及收缩四个状态。实验表明,依据社区核心圈可准确判断新兴主题的产生,且其成长模式对整个主题的发展有巨大影响。

CCDCD:基于图密度的动态约束社团核心挖掘方法

社会网络中社团核心的发现是目前研究界和产业界关注的热点问题。现有算法把社团处理为特定约束下的图后,将社团核心发现规约为紧凑子图的提取,但对于动态约束下的多图效率很低。为此,提出基于图密度的动态约束社团核心挖掘方法——CCDCD(community core mining with dynamic constrains based on graphdensity)。主要工作包括:(1)分析约束条件变化下,关于社团的图密度变化规律;(2)提出约束变化下,社团图密度的近似求解算法DCUE(dynamic calculation based on updated edges);(3)通过实验表明,与现有方法相比,对较大规模的社团图,新方法能获得更好解,降低时间消耗80%以上;验证了动态约束能发现更多有兴趣度的知识。

DC-GEP:基因表达式编程早熟预警——多样性贡献策略

基因表达式编程(gene expression programming,GEP)是函数发现的有力工具,但传统的GEP存在早熟缺陷,为了解决这一问题,已有的研究方法均是在早熟发生后采取补救的措施,导致效率的降低。采用了预警思路来防止GEP早熟现象的发生。主要工作如下:(1)通过对种群个体多样性的评价,提出基于多样性贡献的最优个体选择机制,设计了基于融合适应度和多样性贡献的GEP进化算法diversity contribution-GEP(DC-GEP);(2)提出了一种进化辈数自动确定的方法,实现了自适应的DC-GEP进化算法;(3)实验表明,DC-GEP对于复杂函数挖掘的算法性能比标准GEP在进化效率上平均提高了70%。

模式匹配中的结构差异识别及消解

模式匹配是数据空间、语义Web等热点研究领域的一个关键问题。已有的研究成果以元素为操作对象,通过元素的自身信息、结构信息和数据信息等来获取元素语义并选取语义相近的元素作为匹配元素,取得了较好的效果。但不同模式在元素自身信息、结构信息上的巨大差异严重阻碍了语义的获取。分析了模式结构差异产生的原因,总结了几种模式差异常见的形式,并给出了相应的检测和消解算法来消除差异。实验表明,对模式进行差异消解后再匹配能显著提高匹配结果的准确率。

CBR-GA算法中案例相似度的研究

为了解决遗传算法(GA)中好的建筑块被破坏的问题,作者提出了CBR-GA算法。在构建案例库的过程中,基于案例相似度判断是否将新案例加入案例库。本文以4阶欺骗问题为例,分析了不同的案例相似度对CBR-GA算法性能的影响。

基因表达式编程GEP算法及其应用研究

基因表达式编程算法GEP,作为一种很好的遗传算法,因其在公式挖掘、函数发现等方面问题求解时所表现出的优良特性,已受到学界和业界的广泛关注。尤其在对诸多涉及工程中最优解问题的求解上,表现出良好的收敛性,使之在很多不同的应用领域,具有很好的应用前景。

模式匹配中的依赖冲突

通过分析已有匹配方法的缺陷,提出了一种利用依赖冲突选取匹配关系的新方法。首先为目标模式中每个元素选取候选匹配,然后计算每个全局匹配方案的冲突值,最后选取冲突值最小的匹配方案作为最终结果。实验表明,该方法能够显著提高匹配结果的准确率,并使得后续数据映射结果的优化操作更省时。