基于图卷积神经网络的漂移检测方法

从时间维度来看,演化是业务过程的必然性。流程挖掘中漂移检测的宗旨是找出运行日志中的变化时间点,进而划分出演化前后的不同业务过程。然而,现有漂移检测算法在执行过程中,都需要人为指定需要监控的演化特征,给用户增加了使用负担。同时,还存在准确率低和耗时较长问题。为此,提出一种基于图卷积网络的检测算法:首先,将日志轨迹转为活动图,利用图的节点信息和拓扑结构来刻画日志所有特征;接着,利用图卷积的聚合特性获取到活动图的全局特征;然后,通过增加虚拟节点来表达活动图的所有信息;最后,采用欧氏距离和k-近邻算法来检测漂移点位置。通过真实公开数据集实验测试,表明了本文方法的有效性。

知识图谱约束深度网络的高分辨率遥感影像场景分类

得益于深度网络理论与方法的快速发展,深度网络逐渐成为遥感影像场景分类任务的主流技术。然而,现有基于深度网络的遥感影像场景分类方法高度依赖大量人工标记的训练样本,且无法有效融合利用遥感领域丰富的先验知识。为了提升领域知识利用率同时降低标记样本依赖,本文提出了一种知识图谱引导深度网络学习的高分辨率遥感影像场景分类方法。首先,构建了一个包括领域内多种来源知识的土地覆盖概念知识图谱来更灵活便捷地应用领域先验知识。然后,通过知识图谱表示学习方法将土地覆盖概念知识图谱中的遥感场景语义类别表达为语义向量,形成遥感场景类别语义基准。在知识引导学习阶段,通过施加场景类别语义向量与深度网络浅层视觉特征向量的跨模态对齐约束引导深度网络的浅层部分更有效地学习不同类别遥感影像场景的共享特征,在深度网络深层部分则仍然通过场景类别标签引导学习不同遥感场景的判别特征。在测试阶段,完成优化的深度网络模型可以在不依赖任何先验知识的情况下完成高精度遥感影像场景分类。在目前公开的最大的遥感影像场景分类数据集上的试验结果表明,本文提出的知识引导学习方法相比现有方法在10%、30%、50%等不同训练样本比率下均可以获得最佳分类性能。在10%这一比率条件下,本文提出的知识引导学习方法相比基线深度网络在总体精度指标(OA)上能够得到5.11%的提升。

“薛定谔方程–近似模型–核心概念–简单应用”——构建原子/分子结构教学内容的逻辑框架与知识点图谱

针对结构化学课程知识点繁多和概念碎片化、学生难以形成学科框架和完整知识体系的困境,本文提出以“薛定谔方程–近似模型–核心概念–简单应用”为主线,以一维势箱自由粒子模型、单电子类H体系、多电子原子、H_(2)^(+)分子离子、H_(2)分子、多原子分子等“六条分支”来构建学科的逻辑框架与知识点图谱。使碎片化的知识重构关联,形成完整的知识链,帮助学生理解重要概念的逻辑关系、产生脉络及相互联系,并且为学生提供知识迁移的情境,达到知识理解与运用的目的。

电能计量装置的知识图谱构建与应用

因知识图谱具备强大的实体关系表达推理能力,近年来在各领域得到了广泛应用。文中针对电能计量装置存在标准规范多,建设管理运营成本和门槛高的问题,研究并提出了一种电能计量装置知识图谱的自动构建方法。针对技术规范文档存在的实体嵌套、语义模糊和图谱不全等问题,文中综合采用基于候选实体图匹配的命名实体识别方法,基于多依存句法树融合的关系抽取方法和概念层次图融合的关系推理方法,并在电能计量装置知识图谱构建中进行了验证。实验表明文章构建的知识图谱在实体识别、关系提取和关系推理的准确率以及扩展性方面都取得了较大提升,可大幅度降低相关领域标准规范的应用审查门槛和成本。

基于领域概念图的航天新闻自动摘要模型

互联网海量的航天新闻中隐含着大量航天情报信息,对其进行理解与压缩是提高后续情报分析效率的基础。然而通用的自动摘要算法往往会忽略很多航天领域关键信息,且有监督自动摘要算法需要对领域文本进行大量的数据标注,费时费力。因此,提出一种基于领域概念图的无监督自动摘要(DCG-TextRank)模型,利用领域术语辅助引导图排序,提高模型对领域文本的理解力。该模型分3个模块:领域概念图生成、图权重初始化、图排序及语义筛选。根据句向量相似度和领域术语库,将文本转换为包含句子节点和领域术语节点的领域概念图;根据航天新闻文本特征初始化领域概念图权值;采用TextRank模型对句子进行排序,并在语义筛选模块通过图节点聚类及设置摘要语义保留度的方法改进TextRank的输出,充分保留文本的多语义信息并降低冗余。所提模型具有领域可移植性,且实验结果表明:在航天新闻数据集中,所提模型相比传统TextRank模型性能提升了14.97%,相比有监督抽取式文本摘要模型BertSum和MatchSum性能提升了4.37%~12.97%。

基于加权概念格与AE的社交知识图谱语义压缩

社交知识图谱具有时效性强、更新频繁快等特点,但也导致内容不断扩充,产生了大量冗余信息。如何删除冗余信息并对其进行语义压缩成为提升社交知识图谱质量的关键。为此,该文提出一种基于加权概念格与自编码器的社交知识图谱语义压缩方法(SCWCL-AE)。首先,将社交知识图谱资源描述框架三元组转换为二进制矩阵,获得同一社交知识图谱不同时间版本的形式背景,并通过信息熵确定实体属性权值,构造社交知识图谱加权概念格;提取满足加权外延社交知识图谱支持度的实体属性分类规则,获得重要且使用频率高的实体摘要。其次,引入无监督自编码器,从无标签的社交知识图谱实体摘要中自动学习抽象特征,以重构损失最小化输出数据,达到压缩知识图谱冗余语义信息的目的。最后,在Freebase、DBpedia、Zhishi.me数据集上进行实验,结果验证了该方法对社交知识图谱语义压缩的有效性。

时空相关性融合表征的知识追踪模型

知识追踪通过对知识点的表示来描述习题,以此建模知识状态,最终预测学习者的未来表现。然而目前的研究在知识点的表示方面既没有建模历史知识点对当前知识点产生的时间关系上的影响,又未能刻画习题内部各知识点之间产生的空间关系上的作用。为了解决上述问题,提出了时空相关性融合表征的知识追踪模型。首先,以知识点之间的时间相关程度为基础,建模历史知识点对当前知识点的时间作用;其次,利用图注意力网络建模习题所包含的若干知识点之间的空间作用,得到蕴涵了时空信息的知识点表示;最后,利用上述知识点的表示推导出习题的表示,通过自注意力机制得到当前的知识状态。在实验阶段,与五种相关知识追踪模型在四个真实数据集上进行性能对比,结果表明提出的模型在性能方面有更出色的表现。特别地,在ASSISTments2017数据集中所提模型比五个对比模型在AUC、ACC方面分别提升了1.7%~7.7%和7.3%~2.1%;消融实验证明了建模知识点之间时空相关影响的有效性,训练过程实验表明了提出的模型在知识点的表示及其相互作用关系的建模等方面具有一定的优势,应用实例也可看出该模型优于其他知识追踪模型的实际结果。

面向MOOCs的个性化知识概念推荐

近年来,大规模开放在线课程(massive open online courses,MOOCs)已成为获取知识和技能的重要途径.然而,因课程数量激增导致信息过载的问题日益严重.知识概念推荐旨在识别并向学生推荐需要掌握的特定知识点.现有研究通过建立异质信息网络应对数据稀疏性,但在充分挖掘异质信息网络数据和考虑学习者与知识概念之间多样互动方面存在局限性.为了解决这些问题,本文提出了一种名为融合异质信息网络与行为感知的知识概念推荐(heterogeneous learning behavior-aware knowledge concept recommendation,HLB-KCR)的新方法.首先,使用基于元路径的随机游走和skip-gram算法生成富含语义信息的元路径嵌入,并通过两阶段元路径嵌入增强模块优化嵌入效果;其次,构建融入时间上下文信息的多类型交互图,利用图神经网络(graph neural network,GNN)进行消息传递,更新节点嵌入,获得包含时间和交互类型信息的深度嵌入表示;再次,引入语义注意力模块,将元路径嵌入与多类型交互嵌入相融合;最后,使用扩展的矩阵分解评分预测模块优化推荐算法.在大型公开的MOOCCubeX数据集上进行大量的实验证明了HLB-KCR的有效性与合理性.

结合知识追踪和图卷积的知识概念推荐

科技的创新发展使得在线教育平台蓬勃发展,提供了海量的教育资源,每类教育资源中包含丰富的知识概念。目前的研究主要集中在知识图谱的个性化课程资源推荐,容易受到数据稀疏问题的影响难以进行扩展。针对难以将学习者的学习状态和学习资源进行有效匹配的问题,提出模型KT-GCN (Knowledge Tracing-Graph Convolutional Network)。首先,使用知识追踪对学习者的知识水平进行整体建模,获取学习者当前的学习状态;然后,使用图卷积网络进行路径编码,获取适应于学习者的学习路径,利用TransE方法和多跳路径进行路径选择;最后,再进行预测评分获得最匹配的学习资源推荐列表。为了验证该模型的性能,在多个数据集上与基线模型进行对比实验,并进行相应的消融实验验证模型各组件的性能。

基于OBE教育理念的混合式教学模式探索——以泛函分析课程为例

泛函分析是数学专业的一门重要基础课,是数学科研工作者必不可少的工具。基于OBE理念与知识图谱混合式教学模式,运用“思政融入课程”与“师生角色互换”的启发式教育教学方法以及多层次、多方位与多元化考核策略,对泛函分析课程的教学与实践进行研究与探讨,有助于调动学生的自主创造性和主观能动性,可进一步提高学生的动手能力和独立思考能力,有效达到提升教学质量的目的。

人工智能赋能“纺织材料学”课程思政的探索与实践

全面推进课程思政建设是高等教育落实立德树人任务的重要战略举措。通过引入知识图谱和人工智能技术,结合成果导向教育理念,文章探索了“纺织材料学”课程思政的实施路径。结果表明,课程思政建设不仅提升了学生的学习兴趣和效果,还在潜移默化中增强了学生的专业认同感、历史使命感和社会责任感,为培养具有家国情怀、符合社会主义核心价值观的纺织创新人才提供了有力支撑。

Construct Validation by Hierarchical Bayesian Concept Maps: An Application to the Transaction Cost Economics Theory of the Firm

A concept map is a diagram depicting relationships among concepts which is used as a knowledge representation tool in many knowledge domains. In this paper, we build on the modeling framework of Hui et al. (2008) in order to develop a concept map suitable for testing the empirical evidence of theories. We identify a theory by a set of core tenets each asserting that one set of independent variables affects one dependent variable, moreover every variable can have several operational definitions. Data consist of a selected sample of scientific articles from the empirical literature on the theory under investigation. Our “tenet map” features a number of complexities more than the original version. First the links are two-layer: first-layer links connect variables which are related in the test of the theory at issue;second-layer links represent connections which are found statistically significant. Besides, either layer matrix of link-formation probabilities is block-symmetric. In addition to a form of censoring which resembles the Hui et al. pruning step, observed maps are subject to a further censoring related to second-layer links. Still, we perform a full Bayesian analysis instead of adopting the empirical Bayes approach. Lastly, we develop a three-stage model which accounts for dependence either of data or of parameters. The investigation of the empirical support and consensus degree of new economic theories of the firm motivated the proposed methodology. In this paper, the Transaction Cost Economics view is tested by a tenet map analysis. Both the two-stage and the multilevel models identify the same tenets as the most corroborated by empirical evidence though the latter provides a more comprehensive and complex insight of relationships between constructs.

基于多维云概念嵌入的变分图自编码器研究

变分图自编码器是图嵌入研究中重要的深度学习模型,但存在着先验正态分布缺陷、训练过程中容易出现后验塌陷等问题.本文从建立云概念空间与隐空间的映射关系入手,引入云模型数字特征对网络中的节点进行不确定性概念表示,设计了一种基于多维云模型的变分图自编码器(Variational Graph Autoencoder based on Multidimensional Cloud Model,MCM-VGAE).该模型实现了隐空间的多维云概念嵌入及相应的漂移性损失度量,将先验分布扩展为泛正态分布,利用多维正向云发生器及云包络带修正采样算法实现了重参数化过程,有效缓解了后验塌陷现象.在应用效果上,模型在多类型数据集上的链路预测、节点聚类、图嵌入可视化实验表现均优于基准模型,进一步说明了方法的普适有效性.

计算机系统类课程群概念图自动构建研究

针对系统能力培养与改革目标,提出通过自动分析的方法构建课程群概念图CNet,从系统观出发,为教学方法和教学模式等改革与创新提供支撑。以计算机系统类课程群为例,借用自然语言处理技术完成对CNet的构建,并阐述该概念图在教与学中的应用,能够较好地展示课程群中的核心术语以及不同课程中知识点的互联关系,所使用的课程群概念图构建方法对于不同专业某门课程或者整个课程群有良好的适应性。

融合决策蕴涵的知识图谱推理方法

决策蕴涵是形式概念分析中的决策知识表示和推理工具。提出了一种基于决策蕴涵的知识图谱关系补全方法。基于知识图谱构建对应的决策背景,证明决策蕴涵可以等价表示知识图谱推理中的规则;为了快速挖掘决策蕴涵,对复杂的决策背景进行多次约简,证明约简后的决策背景也可以获取知识图谱推理中的规则;设计了从简化后的决策背景中获取决策蕴涵的算法,给出了使用决策蕴涵进行关系补全的步骤;最后通过实验验证了上述方法的有效性。该研究为完成知识图谱关系补全任务提供了新的思路,也为融合推理提供了一个新的选择。

ADIC:一种面向可解释图像识别的自适应解纠缠CNN分类器

近年来,卷积神经网络(convolutional neural network,CNN)作为一种典型的深度神经网络模型,在图像识别、目标检测和语义分割等计算机视觉领域中取得了令人瞩目的成效.然而,CNN端到端的学习模式使其隐藏层的逻辑关系以及模型决策结果难以被解释,这限制了其推广应用.因此,研究可解释的CNN具有重要意义和应用价值.为了使CNN的分类器具有可解释性,近年来涌现出了很多在CNN架构中引入基础概念作为插入式成分的研究.事后概念激活向量方法以基础概念为表现形式,用于分析预训练的模型,但依赖独立于原始模型的额外的分类器,解释结果可能并不符合原始模型逻辑.另外,现有的一些基于概念的事前可解释方法对于CNN潜在分类空间中的概念处理太过绝对.引入图卷积网络模块,设计了一种类内概念图编码器(within-class concepts graphs encoder, CGE)学习类内基础概念及其潜在交互.在CGE基础上,设计实现不同依赖关系的基础概念不同程度解纠缠的正则化项,提出了潜在空间自适应解纠缠的可解释CNN分类器(adaptive disentangled interpretable CNN classifier, ADIC).将ADIC嵌入ResNet-18和ResNet-50架构,在Mini-ImageNet和Places365数据集上的分类实验和可解释图像识别实验结果表明,ADIC在保证基准模型具有自解释能力的前提下,可以进一步提高基准模型的精度.

外来术语的翻译失真问题与知识图谱介入对策

外来术语引入后可能存在多个译名变体,其中有一类是由翻译失真导致,容易造成本土概念体系和跨语言学术交际的混乱,属于亟待规范的语言现象。本文以语言学术语“ideophone”的翻译方案为线索,集中讨论了归化策略下译名容易失真的原因与对策。术语翻译需要依靠双语之间共享的概念元素,当某个概念在双方语境中的发展不对称时,译名存在较高的失真风险。针对这类问题,本文借助两种知识图谱工具在概念体系中进行锚定,探讨知识图谱在术语规范工作与中文科技术语体系建设中的辅助性介入价值。

基于自适应邻居图的离群点检测方法

离群点检测的目标是识别数据集中与其他样本明显不同的个体,以便检测数据中的异常或异常状态。现有的方法难以有效应对复杂、非线性分布的数据,并且面临参数敏感性和数据分布多样性的问题。为此,现提出一种新型图结构——自适应邻居图,以边为导向,通过迭代的方式对数据进行特征提取,并计算近邻可达度对离群点进行识别,减小了参数的影响,同时可适用于不同分布类型的数据。为了充分验证其性能,将该方法在多个合成与真实数据集上同其他方法进行了比较分析。实验结果表明,该方法在所有19个数据集中平均排名第一,在保持高精度的同时表现出稳定性。

基于知识图谱使用多特征语义融合的文档对匹配

为了区分文档间的同源性和异质性,首先,提出一种多特征语义融合模型(Multi-Feature Semantic Fusion Model,MFSFM)来捕获文档关键字,它采用语义增强的多特征表示法来表示实体,并在多卷积混合残差CNN模块中引入局部注意力机制以提高实体边界信息的敏感性;然后,通过对文档构建一个关键字共现图,并应用社区检测算法检测概念进而表示文档,从而匹配文档对;最后,建立两个多特征文档数据集,以验证所提出的基于MFSFM的匹配方法的可行性,每一个数据集都包含约500份真实的科技项目可行性报告。研究结果表明:本文所提出的模型在CNSR和CNSI数据集上的分类精度分别提高了13.67%和15.83%,同时可以实现快速收敛。

面向军事领域的动态本体构建技术研究

随着军事数据的爆炸式增长,传统的基于专家知识建立的静态本体存在对专家主观知识依赖性强、可移植性差、学习能力差等问题,已无法动态地适应数据的变化以及大规模知识图谱的自动更新。针对军事领域应用场景,提出一种面向军事领域的动态本体构建技术,通过初始本体设计、数据映射、形式背景合并、本体更新4个环节完成本体概念的更新。该技术可以随着信息的变化自动更新本体模型,方便多源异构数据的更新集成和知识图谱的构建。最后,以俄乌冲突知识图谱为案例进行分析验证。该动态本体构建技术能够有效发现新的事件类型及相关要素,实现多源异构数据的更新、融合及基于知识图谱的军事活动规律推理。