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。

基于图神经网络的小样本学习方法研究进展

小样本学习(few-shot learning,FSL)旨在利用少量样本学习得到解决问题的模型,为解决应用场景中样本量少或标注样本少的问题.图神经网络(graph neural network,GNN)由于其在许多应用中的卓越性能引起了极大的关注,许多学者开始尝试利用图神经网络进行小样本学习,基于图神经网络的方法在小样本领域取得了卓越的成绩.目前与基于图神经网络的小样本学习方法相关的综述性研究较少,缺乏该类方法的划分体系与介绍性工作,因此系统地梳理了当前基于图神经网络的小样本学习的相关工作:概括了小样本学习的图神经网络方法的概念,根据模型的基本思想将其划分为基于节点特征、基于边特征、基于节点对特征和基于类级特征的4类方法,介绍了这4类方法的研究进展;总结了目前常用的小样本数据集和代表性模型在这些数据集上的实验结果,归纳各类方法主要的研究内容和优劣势;最后概述了基于图神经网络的小样本学习方法的应用和面临的挑战,并展望其未发展方向.

基于元学习的图卷积网络少样本学习模型

少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系,造成分类模型泛化能力弱的问题,提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS(Few-Shot Learning of Graph Convolutional Network on Prototype Space).首先,利用卷积神经网络提取多任务数据的特征向量;其次,为了将特征向量映射到原型空间中,根据元学习的训练策略得到特征向量的类原型表达;然后,通过类原型向量和类向量之间的嵌入表示,构建图结构数据,并进行图卷积网络训练、推理.实验结果表明,相较于经典少样本学习方法,FSL-GCNPS模型拥有更好的分类准确率和分类稳定性.同时,在医学图像领域数据集上实验表明,FSL-GCNPS具有很好的跨域适应性.

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.

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。

知识图谱补全方法研究综述

知识图谱是用来描述世界中存在的各种实体和概念以及他们之间的关系的一种语义网络,近年来被广泛应用于智能问答、智能推荐和信息检索等领域。目前,大多数知识图谱都具有不完整性,因此,知识图谱补全成为一项重要的任务。根据模型构造方法的不同,将知识图谱补全模型分为传统知识图谱补全模型、基于神经网络的知识图谱补全模型和基于元学习的知识图谱补全模型三类,对这三种知识图谱补全模型的分类情况进行介绍;总结知识图谱补全方法所使用的数据集和评价指标,并从各个模型优点和不足等方面对各类模型进行详细的对比分析。最后,对知识图谱补全进行归纳与总结,并展望未来的研究方向。

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。

融合元图邻域的知识图谱推荐模型

基于知识图谱的主流推荐模型在融合高阶信息时较少考虑源节点与目标节点之间的关系,在复杂网络场景中易引入过多噪声信息进而影响推荐性能。针对此问题提出一种融合元图邻域的知识图谱推荐模型,通过构建并融合元图邻域降低噪声信息的影响,提升推荐性能。首先,基于元图相似度生成源节点的初始相似序列,利用自注意力网络与线性网络对初始序列进行特征增强,以增强后的特征向量组成的集合构造节点的元图邻域。其次,基于用户对各个元图的不同偏好程度设计注意力机制,对所得元图邻域进行卷积聚合,将元图邻域融入源节点,增强源节点的特征表示。最后,以增强后的向量与用户向量的内积作为用户与项目交互的概率,并以此完成推荐。在MovieLens-20M与Last-FM数据集上进行实验,AUC与F_(1)值分别为97.3%和83.1%、94.3%和75.6%,recall@50分别为35.4%与31.7%,其表现优于NGCF、KGCN、LKGR等模型。结果表明,融合元图邻域的知识图谱推荐模型可以有效提升推荐的性能。

基于图卷积网络求解开放车间调度问题的方法

传统的元启发式算法难以有效求解大规模开放车间调度问题(OSSP),为此提出了一种基于图卷积网络GCN求解OSSP的方法。首先,设计了基于GCN的开放车间调度模型,将OSSP的工序节点特征嵌入图中并对其进行多层卷积操作,有效获取了工序节点之间复杂的依赖关系。然后,为了提高求解大规模OSSP的效率和质量,提出了一种基于GCN的开放车间调度算法。实验结果表明,该方法能有效求解不同规模的OSSP实例,与元启发式算法相比,在求解大规模OSSP实例时该方法表现出更优秀的求解质量和效率。

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。

面向学术全文本多维知识元的学术图谱构建研究

学术全文本中包含了多种知识元,对这些知识元进行挖掘与组织,可以有效提升学术资源的利用效率。通过学术知识图谱的构建,将论文中各类隐性“知识元”串联起来,不但可以节省研究者获取知识点的时间,还可以通过知识图谱内的网络社区进行知识点的扩充。通过系统而全面的文献调研,本文从宏观、中观和微观3个维度出发,确定了18种学术论文中的关键知识元,并将学术全文本中的描述信息作为知识元对象,设计出学术知识图谱概念框架。然后,选取Journal of the Association for Information Science and Technology(JASIST)期刊的515篇学术全文本,对每篇论文中的关键知识元进行人工标注与基于深度学习的知识元抽取研究。研究内容包括该类知识元在人工标注过程中是否会遇到问题、在自动抽取时是否会达到预期值,从而对参与图谱构建的知识元进行筛选。最终筛选出9种知识元,包括数学公式、软件工具、数据源、具体模型、表、图、研究展望、研究问题和研究结果,与题录数据中的知识元共同生成由头知识元、关系、尾知识元组成的三元组,存入图数据库。最后,对该图谱进行可视化的评估与知识元检索研究,证明了其可行性与可扩展性。研究结果表明,学术全文本中的部分知识元适合大规模的自动化标注,而且各类知识元可以通过互相链接形成密集的知识社区,并具备知识元搜索等功能。

基于元模型的装备体系知识图谱构建

针对当前军事领域知识图谱描述装备体系存在的数据规范程度不高、实体不统一和实体关系不一致等问题,提出一种基于元模型的军事领域本体模型构建方法。该方法采用体系架构元模型技术框架下的概念数据模型和逻辑数据模型定义装备体系本体,从而生成装备体系知识图谱,避免不同兵种、不同业务领域装备体系本体不一致的影响。选取协同打击任务场景构建无人机集群装备体系应用本体,导入Neo4j软件生成知识图谱。结果表明,所提方法能够满足装备体系知识图谱构建需求。

基于元学习的图神经网络冷启动推荐

为解决推荐过程中冷启动问题对新用户或新项目场景性能的限制,提出了一种基于元学习的图神经网络冷启动推荐模型MetaNGCF,以提高推荐的准确性和多样性。首先,提出具有自适应的感知元学习结构来构建用户与项目交互图和神经图混合的模型,将用户行为与项目知识统一表达,融合自适应加权损失策略来实时校正元学习路径,以避免噪声任务对模型造成的损害;其次,运用聚类算法将高维特征空间转化为低维低秩特征空间,并利用用户偏好学习任务聚合层梯度对协作信号进行编码,自动归纳出用户与项目之间的高阶连通性,进而捕捉NGCF通用知识语义;最后,与现有的MetaHIN算法进行对比验证,实验结果表明MetaNGCF在Recall@20和NDCG@20上具有更佳的性能。

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。

一种多天线地面站的设备级资源调度算法

针对多天线地面站接收设备共享使用的需求,设计了一种设备级资源调度算法,以充分利用站内设备资源,提高地面站任务能力。首先,分析了多天线地面站资源调度需考虑的各类约束,并建立了各类调度资源和关系模型。然后,将所有卫星接收任务的时间分布抽象为无向图,通过定义边的权重计算任务冲突度。最后,提出了基于优先级和匹配性的概率选择算法,以迭代方式实现调度方案的寻优。仿真结果显示,所提算法的平均调度成功率较优先级算法和遗传算法分别提高了11.9%和6.9%,有效提高了接收设备使用效率。

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。

基于MDR的知识图谱语义关系及表示标准化模型研究

本文通过对国内外知识图谱标准化研究和发布情况的系统梳理与剖析,发现当前知识图谱标准化过程中缺乏对底层语义关系结构和表示的标准化。因此,本文首先在MDR(metadata registries)概念元模型的基础上,扩充了语义关系类型和关系表示,构建了一个标准的、可扩展的、通用的知识图谱语义关系元模型,为知识图谱中语义关系的构建提供了必备的语义要素,实现从传统数据语义结构向知识图谱语义结构的迁移。其次,为实现语义关系表示的标准化,以该标准化元模型为指导,构建知识图谱语义关系标准化本体栈,为知识图谱语义关系标准化提供了从语义关系结构到表示的标准构建体系。最后,以石油领域井下作业业务需求为背景,对其中涉及的语义关系进行注册,并据此实现了石油领域井下作业知识图谱中语义关系的标准化,验证了本文提出的知识图谱语义关系元模型的合理性和正确性,提出的知识图谱语义关系元模型具有创新性。

基于语义与全局双重注意力机制的长链非编码RNA-疾病关联预测模型

针对现有长链非编码RNA(lncRNA)-疾病关联预测模型在综合利用异构生物网络的交互、语义信息上存在局限性的问题,提出一种基于语义与全局双重注意力机制的lncRNA-疾病关联预测模型(SGALDA)。首先,基于相似性和已知关联构建一个lncRNA-疾病-微小RNA(miRNA)异构网络,并基于消息传递类型设计特征提取模块来提取和融合异构网络上同质、异质节点的邻域特征,以捕捉异构网络上的多层面交互关系。其次,基于元路径将异构网络分解为多个语义子网络,并分别在各个子网络上应用图卷积网络(GCN)来提取节点的语义特征,以捕捉异构网络上的高阶交互关系。然后,基于语义与全局双重注意力机制融合节点的语义和邻域特征,以获得更具代表性的节点特征。最后,利用lncRNA节点特征和疾病节点特征的内积运算重建lncRNA-疾病关联。5折交叉验证结果显示,SGALDA的受试者工作特征曲线下面积(AUROC)为0.9945±0.0002,PR曲线下面积(AUPR)为0.9167±0.0011,在所有对比模型中均为最高,验证了SGALDA良好的预测性能。对乳腺癌、胃癌的案例研究进一步证实了SGALDA识别潜在lncRNA-疾病关联的能力,说明SGALDA有潜力成为一种可靠的lncRNA-疾病关联预测模型。

基于元学习和图滤波器的节点分类研究

深度学习在提取数据特征方面取得了巨大的成功,尤其是在处理节点间关系信息丰富的图数据时,通过在频域上使用图滤波器进行图卷积操作,设计出了多种图神经网络。这些图神经网络主要关注设计固定的滤波器或学习简单的滤波器,但这种对滤波器的简化可能会导致滤波器不能适用于所有的图数据。为了解决上述问题,提出了一种基于元学习和图滤波器的节点分类模型MGCN,以提高图滤波器的普适性。模型利用元学习为图卷积神经网络(GCN)的滤波器学习了一组初始化权重,在对滤波器的权重进行微调之后,模型可以快速地适应新任务。为了验证MGCN的有效性,在6个基线数据集上进行了大量实验。实验结果表明,提出的模型相比于传统图神经网络模型可以适用于更加广泛的图数据。

异构信息网络的注意力感知多通道图卷积评分预测模型

异构信息网络(Heterogeneous Information Network,HIN)包含了丰富的语义信息,利用其进行评分预测已成为缓解推荐系统数据稀疏性问题的一个重要途径。然而,传统采用元路径来提取HIN语义信息的方法忽略了元路径中的评分信息,从而导致元路径无法精确捕获用户和推荐项目之间的语义相似性,同时也未能良好区分不同元路径的重要性。为了解决这两个问题,首先提出了一种带有评分限制的元路径以获取更准确的HIN语义信息,利用这些信息构建用户和项目多层网络;然后结合图卷积网络和注意力机制设计了一个用于评分预测的神经网络,通过多通道图卷积有效地表示了HIN的多种语义信息,采用注意力机制区分不同元路径的重要性,弥补了传统方法的不足;最后融合了用户和项目的属性信息,进一步提高了评分预测的准确性。在Douban Book和Yelp数据集上的实验结果表明所提模型明显优于对比的基线模型,尤其在数据稀疏的情况下,均方根误差比基线模型最多减少了50%,从而验证了所提模型的优越性。