基于全局图注意力元路径异构网络的药物-疾病关联预测

提出了一个基于全局图注意力元路径异构网络模型(MHNGA)来进行药物-疾病关联预测。首先,收集整理药物和疾病数据,将已知的药物-疾病关联、药物相似性、疾病相似性构建为一个异构网络;其次,引入多个基于元路径的子图,使用图注意力神经网络提取这些子图的邻居节点的特征,并且通过通道注意力和空间注意力机制来增强特征;最后,通过十折交叉验证的评估,MHNGA取得了93.5%的精确召回曲线下的面积和99.4%的准确率。

异质网中基于邻居节点和元路径的推荐算法

针对现有模型对异质信息网络(heterogeneous information network, HIN)信息提取大部分依赖于元路径,缺乏元路径信息补充以及很少学习异质图中复杂的结构信息等问题,提出一种异质网中基于邻居节点和元路径的推荐算法(NMRec)。提取用户和物品邻居节点补充元路径缺失的信息,以卷积的方式捕获节点之间丰富的交互,通过注意力机制得到节点和元路径的嵌入表示,拼接用户、物品、邻居节点及元路径进行TOP-N推荐。在两个公开数据集上的实验结果表明,NMRec推荐性能良好,对推荐结果有良好的可解释性,与7种推荐基准算法相比,NMRec在评价指标Pre@10、Recall@10、NDGG@10上至少提升了0.21%、29%、1.46%。

双路径合作的原型矫正小样本分类模型

基于度量的元学习在学习过程中存在由于稀缺数据分布导致习得的先验知识不足、从样本中提取到的单一视图特征易受弱相关或无关特征的干扰以及因分类造成的代表性特征偏差的问题。针对这些问题,提出了一种双路径合作的原型矫正小样本分类模型。首先,通过双路径合作模块从多视图角度自适应地突出关键特征和弱化弱相关特征,充分利用特征信息获得先验知识来提升特征的表达能力;其次,通过基于查询集样本特征信息的原型矫正分类策略来解决类内原型的偏差问题;最后,通过损失函数反向更新模型参数,模型分类准确率得以提升。在五个公开的数据集上进行了5-way 1-shot和5-way 5-shot对比实验,较基准模型而言,在miniImageNet数据集上,准确率提升了5.57个百分点和3.90个百分点;在tieredImageNet数据集上,准确率提升了5.68个百分点和3.93个百分点;在CUB数据集上,准确率提升了6.93个百分点和3.13个百分点;在CIFAR-FS数据集上,准确率提升了8.03个百分点和1.65个百分点;在FC-100数据集上,准确率提升了4.25个百分点和4.89个百分点。实验结果表明,提出的双路径合作的原型矫正小样本分类模型能在小样本学习领域有良好的性能,且模型中的模块可迁移到其他模型中使用。

采用局部子图嵌入的MOOCs知识概念推荐模型

大规模开放在线课程(MOOCs)在减少用户学习盲区和改善用户体验方面已经有大量的研究,尤其是基于图神经网络的个性化课程资源推荐,但现有工作主要集中在固定或同质图上,容易受到数据稀疏问题的影响且难以扩展。在局部子图上使用图卷积,并结合扩展的矩阵分解(MF)模型来解决这一问题。首先,将异构图分解为多个基于元路径的子图,结合随机游走采样方法实现在采样节点富有影响力邻域的同时捕获实体之间复杂的语义关系,并在局部邻域上进行图卷积平滑各节点表示,实现高可扩展性;然后,使用注意力机制适应性地融合不同子图的上下文信息,更全面地构建用户偏好;最后,通过扩展矩阵分解优化模型参数,获得推荐列表。为了验证提出模型的性能,在公开的MOOCs数据集上进行对比实验,相较于最优基线,性能提升了2%,内存计算需求降低了近500%,缓解数据稀疏问题的同时仍具有较强的可扩展性。

一种引入元路径相似性度量的材料实体检索方法

近年来,随着材料数据的积累以及“材料基因组计划”的普及,面对大量需要处理和管理的材料数据,快速准确地检索并获取相应信息已成为一个重要问题。传统的检索方法由于仅能查询某一材料的相关信息,并且存在检索结果不全面、无法处理复杂语义关系等问题,难以获取相似程度较高的材料。为了快速、准确地找到与某种材料相似的材料,提出可度量不同节点的加权材料相似度计算模型WM-PathSim。首先,使用metapath2vec学习材料节点的嵌入表示;其次,引入TFIDF-CBOW模型学习材料路径实例的存在概率,进而计算不同元路径的权重;最后,加权求和符合条件的元路径得到最后的相似性度量,来预测不同材料之间的相似程度。在真实数据集上的结果表明,在不同的路径关系中,所提模型相比于基线方法在性能上有较大提升,其AUC和precision指标分别提升了0.37~5.02百分点和1~7.33百分点,说明所提模型得到材料间的相似程度更加准确和有效,从而能够获得相似材料。

结合注意力机制的属性异质网络嵌入方法

图(网络)是一种常用于抽象现实世界实体之间关系的数据结构,网络嵌入广泛应用于图数据的表征.目前大部分异质网络嵌入方法未考虑网络节点之间的多种边类型和边属性,无法完整刻画网络的结构和语义信息,导致原始网络特征信息丢失和下游任务效果差的问题.为解决该问题,基于注意力机制设计了一种多边属性异质网络嵌入方法,其将注意力机制应用于学习不同边类型下嵌入向量的重要系数,通过有偏序列采样、邻居向量聚合和模型参数更新3个阶段的嵌入学习,将网络节点表示成固定长度的稠密向量.实验表明,提出的嵌入方法能够更好地嵌入网络的特征信息,使之在下游的机器学习任务上有一定的效果提升.

异质信息网络中基于解耦图神经网络的社区搜索

在异质信息网络(HINs)中搜索包含给定查询节点的社区具有广泛的应用价值,如好友推荐、疫情监控等。现有HINs社区搜索方法大多基于预定义的子图模式对社区的拓扑结构施加一个严格的要求,忽略了节点间的属性相似性,导致结构关系弱而属性相似性高的社区难以定位,并且采用的全局搜索模式难以有效处理大规模的网络数据。为解决这些问题,首先设计解耦图神经网络和基于元路径的局部模块度,分别用于度量节点间的属性相似性和结构内聚性,并利用0/1背包问题优化属性和结构两种凝聚性度量指标,定义了最有价值的c大小社区搜索问题,进而提出了一种基于解耦图神经网络的价值最大化社区搜索模型,执行3个阶段的搜索过程。第一阶段,依据查询信息与元路径,构造候选子图,将搜索范围控制在查询节点的局部范围内,保证整个模型的搜索效率;第二阶段,利用解耦图神经网络,融合异质图信息和用户标签信息,计算节点间的属性相似度;第三阶段,根据社区定义以及凝聚性度量指标,设计贪心算法查找属性相似度高且结构凝聚的c大小社区。最后,在真实的同质和异质网络数据集上测试了搜索模型的性能,大量实验结果验证了模型的有效性和高效性。

面向超图的可解释性对比元路径群组推荐

在群组推荐中庞大且稀疏的数据往往容易忽视用户群组及项目之间的复杂依赖关系,因此融合不同用户偏好行为嵌入,使用户对群组依赖关系的表现更直观,同时为了在对比中增强视图效果,以获得更准确的推荐结果的目的,提出了一个面向超图的可解释性对比元路径群组推荐框架。通过聚合用户项目群组之间的依赖关系,构建元路径表现实体之间的不同类型交互,以促进实体的相似性,更准确地从数据中获取用户的组内、组外交互;通过将可解释性模型与对比学习相结合的技术,以提高模型的可解释性和性能;通过解释引导增强操作在模型框架上生成的正负视图上结合自监督对比学习,来解决上述问题。在真实数据集上进行实验,验证了所提出方法的有效性。

基于元分析的新疆膜下滴灌棉田精量施氮研究

【目的】明确施氮对棉花产量及其构成因子的影响,并为氮肥的精量施用及棉花高产提供理论借鉴。【方法】以新疆膜下滴灌棉田为研究对象,采用元分析(meta-analysis,meta分析)和通径分析,研究不同施氮量、施氮方案、气候条件等对棉花产量的综合效应及影响机制。【结果】与不施氮相比,施氮能显著提高棉花产量,增产效应为43.38%。施氮量为360~480 kg·hm^(-2)时,对棉花的增产效应最大;施氮量超过此范围,棉花产量不再显著增加,本研究推荐的经济施氮量为360~420 kg·hm^(-2)。基肥20%,追肥80%且按照6%、8%、22%、25%、12%、7%的比例随水滴施6次的施氮方案对棉花的增产效应最大。对于年蒸发量>2000 mm、年降水量<60 mm、年日照时间<2864 h、年有效积温>4000℃、无霜期>200 d的地区,且土壤为砂质土、土壤初始有机碳含量<5.8g·kg^(-1)、初始速效氮含量≤60 mg·kg^(-1)的棉田,施氮的增产效应最明显。通径分析结果表明,施氮通过提高土壤硝态氮含量,从而增加棉花叶面积指数,对棉花产量的提升贡献最显著。【结论】建议新疆植棉区施氮量为360~420 kg·hm^(-2),采用上述优化方案合理施氮,可以实现膜下滴灌棉田的高产并降低环境风险。

基于霍克斯过程的动态异质网络表征学习方法

现有的异质网络表征学习方法主要关注静态网络,忽略了时间属性对节点表示的重要影响。然而,真实的异质信息网络极具动态性,节点和边的微小变化都可能影响整个结构和语义。鉴于此,提出了基于霍克斯过程的动态异质网络表征学习方法。首先,利用关系旋转编码方式和注意力机制,学习相邻节点的注意力系数,获得节点的向量表示。其次,学习不同元路径的最优加权组合以更好捕获网络的结构和语义信息。最后,基于时间衰减效应,通过邻域形成序列将时间特征引入节点表示中,得到节点的最终嵌入表示。在多种基准数据集上的实验结果表明,所提方法在性能上显著优于对比模型。在节点分类任务中,Macro-F1平均提高了0.15%~3.45%,在节点聚类任务中,归一化互信息(normalized mutual information,NMI)值提高了1.08%~3.57%。

可解释的局部和全局对比多行为推荐算法

针对传统的多行为推荐模型无法高效学习异构信息网络的复杂结构以及缺乏可解释性的问题,提出一种多行为推荐模型,即可解释的局部和全局对比多行为推荐。运用一种被广泛应用于提取全局结构的元路径视图从特定的语义角度捕获每个节点之间的特征。设计一个能捕获局部特征和元路径之间的交互信息的超元路径图来捕获多个元路径之间的交互信息,区分不同用户面对不同类别物品的不同行为模式。采用一种异质性可解释对比学习,确定行为类型的重要性,得出更加优质的正负样本进行对比。在两个公共数据集上的实验中,所提模型优于主流先进推荐模型。

2型糖尿病健康教育路径的Meta分析

目的探讨健康教育路径对糖尿病患者疗效的影响,制定健康管理路径。方法通过检索国内主要医学数据库,按照标准筛选文献并进行质量评价。采用RevMan 5.0软件对纳入文献进行Meta分析。结果纳入26篇文献中,健康教育路径组患者满意度、糖尿病知识掌握情况和生活方式都高于传统教育组,空腹血糖、住院天数及住院费用均低于传统教育组,差异均有统计学意义(P<0.05)。结论健康教育路径对糖尿病疗效有显著影响,健康教育路径值得在临床上应用实践。

临床护理路径对腹腔镜卵巢囊肿切除术患者住院时间及住院费的meta分析

目的探讨临床护理路径对腹腔镜卵巢囊肿切除术患者住院时间及住院费的影响。方法检索Pubmed、Google学术搜索、中国知网全文数据库、万方数据库,收集临床护理路径对腹腔镜卵巢囊肿切除术患者住院时间及住院费影响的随机对照试验,采用Cochrane系统评价方法,对纳入的文献进行系统评价,提取有效数据,并运用RevMan5.2软件进行分析。结果按照标准纳入10篇文献,包括1002例患者。meta分析显示,临床护理路径组和常规护理组在患者平均住院时间、平均住院费用方面的差异具有统计学意义。结论在腹腔镜卵巢囊肿切除术中,采用临床护理路径可降低患者住院时间和住院费。

基于多视图对比学习的多行为推荐

为了有效挖掘用户行为图中的语义信息和结构信息,充分利用节点间复杂的依赖关系,提出了一种基于多视图对比学习的多行为推荐方法(MVCL)。MVCL通过构建元路径视图和结构视图,来分别建模节点间的高阶语义信息和局部结构信息;此外引入自监督技术,提出跨视图对比学习机制,使得两个视图能够相互协作。在真实数据集上与多个基线模型相比,MVCL的归一化折损累计增益最高有24.7%的提升。实验结果表明MVCL的效果优于其他模型,能够学习到更有效的节点表示。

异构信息网络中节点相似性搜索并行算法研究

传统的基于串行计算的节点相似性搜索算法,在处理增量式异构信息网络数据流时面临效率低下、资源消耗过大等问题。为此,文章利用同构信息网络中并行约简的基本原理与基本方法,定义了异构信息网络的并行约简度量方法:值相似依赖度和余弦实体相似依赖度,提出异构数据流中元路径下节点相似性搜索并行算法(FPathSim),F-PathSim可以并行约简、并行计算,整体上删除对节点相似性搜索冗余的数据,减少对整个数据集的重复处理。在DBLP数据集上进行大量的实验,实验结果表明F-PathSim能较好的适应异构信息网络中增量式数据流中节点相似性搜索要求。

异质信息网络链路预测方法综述

链路预测是指根据网络中已知的信息对未知或未来可能存在的链路/链接进行预测,是网络科学及数据挖掘领域的研究热点之一。异质信息网络能够更准确地刻画数据中提供的语意信息,提高下游数据挖掘任务的效率。因此,异质信息网络上的链路预测方法需要兼顾网络的拓扑特征与语义特征,为链路预测任务带来新的挑战。在前人研究的基础上,系统性地梳理了近年来异质信息网络上的链路预测方法。首先,对异质信息网络和链路预测相关概念进行介绍;其次,对异质信息网络上的链路预测方法进行详细分类,对不同类型异质信息网络上的链路预测方法进行了总结,并对各类典型代表方法进行详细介绍;然后,对异质信息网络上链路预测方法的应用进行了梳理;最后,总结了该领域在进一步研究中需要解决的问题,以及未来可能的发展方向。

融合异质图表示学习与注意力机制的可解释论文推荐

学术论文推荐旨在为研究人员从海量学术资源中快速筛选出感兴趣的论文。现有论文推荐方法主要基于论文标题等文本内容和引用关系等进行推荐,使得蕴含丰富语义的多源学术信息的表示学习不够充分,制约了推荐准确度的进一步提升。同时,当前方法往往关注论文推荐的准确性,而忽略了可解释性,降低了论文推荐系统的可信度和用户满意度。为解决上述问题,本文提出了一种融合异质图表示学习与注意力机制的可解释论文推荐方法,该方法能够有效利用异质学术图中的语义信息,为推荐结果提供文本解释说明。具体来说,首先,提出了一种基于异质图表示学习与注意力机制的论文推荐模型,融合多源学术信息来构建语义丰富的异质学术图,并利用注意力机制学习不同节点和元路径的重要性,以获得更准确的节点表示。其次,提出了一种基于特征的文本解释生成模型,该模型将可解释文本生成方法引入论文推荐场景,能够在为作者提供推荐列表的同时生成文本解释,以告知其推荐缘由,从而提高论文推荐的可解释性。最后,构建了一个包含论文元数据、特征词、引用上下文的学术数据集,基于该数据集的对比实验结果表明,本文提出的基于异质图表示学习与注意力机制的论文推荐模型推荐准确度更高,解释生成模型能够为论文推荐结果提供质量较高的可解释文本说明。

临床路径应用于高血压患者的Meta分析

目的:采用Meta分析方法探讨临床路径对高血压患者的影响。方法:计算机检索中国期刊全文数据库、中文科技期刊全文数据库、万方数据库、中国生物学文献数据库等,收集国内有关临床路径法和传统治疗法在高血压患者中应用效果的对照研究。通过严格质量评价,采用Rev Man 5.1软件进行Meta分析。结果:最终纳入15篇文献,共2 083例研究对象,临床路径组1 035例,传统治疗组1 048例。Meta分析结果显示:临床路径组和传统治疗组在住院天数[WMD=-3.15,95%CI(-4.64^-1.65),P<0.01]、住院费用[WMD=-615.70,95%CI(-648.03^-583.38),P<0.01]、患者满意度[RR=1.26,95%CI(1.21~1.30),P<0.01]、健康知识掌握情况[RR=1.29,95%CI(1.22~1.37),P<0.01]、收缩压[WMD=-13.97,95%CI(-16.47^-11.47),P<0.01]、舒张压[WMD=-4.70,95%CI(-5.82^-3.59),P<0.01]及遵医行为[RR=1.24,95%CI(1.19~1.28),P<0.01]方面差异均有统计学意义。结论:临床路径法应用于高血压患者的效果优于传统治疗法。但是纳入研究文献的质量差异较大,需要更加设计严谨、样本量大的随机对照试验来证实此结论。

基于元路径卷积的异构图神经网络算法

现有异构图嵌入方法在多层图卷积计算中,通常将每个节点表示为单个向量,使得高阶图卷积层无法区分不同关系和顺序的信息,导致信息在传递过程中丢失。为解决该问题,提出了基于元路径卷积的异构图神经网络算法。该方法首先利用特征转换自适应调整节点特征;其次,设计了元路径内卷积挖掘节点高阶间接关系,捕获目标节点在单元路径下与其他类型节点之间的交互关系;最后,通过自注意力机制探索语义之间的相互性,融合来自不同元路径的特征。在ACM、IMDB和DBLP数据集上进行广泛实验,并与当前主流算法进行对比分析。实验结果显示,节点分类任务中Macro-F1平均提高0.5%~3.5%,节点聚类任务中ARI值提高了1%~3%,证明该算法是有效、可行的。

基于图双向选择注意力的公司任职预测算法

基于员工与公司潜在的双向选择关系来预测未来员工的去向以及公司的人才引进情况,这些预测信息对于金融、招聘等从业人员在判断公司未来发展和寻找潜在求职者等工作具有指导意义。为了获得节点间的双向选择信息并强化节点信息以增强预测效果,在公司与员工及其相关数据构建成的异质图下利用自编码器和三层注意力机制来生成用于任职预测的双向选择向量及节点向量。根据在真实数据集上的实验,该方法在任职预测任务下的预测效果要优于现有方法,同时提高了预测的可解释性。