采用多播依赖树模型推测链路时延分布

网络断层成像(network tomography)技术研究基于端—端测量推测链路级的性能参数,对于评估网络性能十分重要。文章提出多播依赖树模型,并采用上向—下向算法来推测网络链路的时延分布。该方法通过引入树的马氏性减少了估计时的自由参数,仿真实验证明了这种方法的正确性,能精确地推算出网络链路的时延性能。

一种高效的基于依赖树的Cube算法

多维数据立方 (Cube)的计算对联机事务分析有着极为重要的作用 .本文针对传统的多维数据 Cube计算中的不足 ,提出了一种新的基于依赖树的多维数据 Cube计算模式 ,并对该计算模式提出了优化算法 .实验表明 。

基于依赖树的XML数据查询优化与处理方法研究

根据当前XML查询语言的特点,对XML数据的查询语言及查询处理操作等进行了分析,在此基础上提出了一个新的XML数据库查询语言X-SQL,并在查询依赖树基础上,设计了XML数据查询处理方法,通过此XML数据上的查询处理方法,与路径表达式翻译规则相结合,能够把对于XML数据的X-SQL查询映射成相应的SQL语句,从而获得X-SQL的查询结果。

基于依赖搜索树的即时通信网络安全漏洞识别方法

常规的即时通信网络安全漏洞识别方法,以漏洞分类与检测为主,忽略了字符串参数被污染导致的搜索过程中表现的依赖性,影响最终的识别结果。为此,设计了基于依赖搜索树的即时通信网络安全漏洞识别方法。从漏洞报告中提取通信网络安全漏洞特征,并将特征转换为向量形式,确保特征提取的完整性。基于依赖搜索树构建网络安全漏洞识别函数,根据网络安全漏洞特征划分漏洞类别,通过依赖搜索树的大小与复杂度,表达漏洞之间的依赖关系,从而避免漏洞识别错误识别。识别即时通信网络格式化字符串漏洞,对即时通信网络进行hook操作,并将格式化字符串函数中参数与控制符数量不同的漏洞识别出来,避免字符串参数被污染的问题。实验结果表明,宏查准率、宏查全率以及宏调和平均数等指标均超过了0.97,保持了较高的识别水准,甚至在FXJ识别中体现了“1”的识别水准、网络安全漏洞识别效果更佳,验证了所提出方法的网络安全漏洞识别性能。

融合强关联依赖和简洁语法的方面级情感分析模型

针对语法依赖树存在多个方面词相互干扰的依赖信息、无效单词,以及标点符号带来的冗余信息和方面词与对应情感词之间的关联性较弱等问题,提出一种融合强关联依赖和简洁语法的方面级情感分析模型(SADCS)。首先,构建情感词性(POS)列表,通过该列表加强方面词与对应情感的相关性;其次,构建融合POS和依赖关系的联合列表,通过该联合列表去除已优化的依赖树无效单词与标点符号的冗余信息;再次,将优化后的依赖树与图注意力网络(GAT)结合建模提取上下文特征;最后,与依赖关系类型的特征信息进行交互学习并融合特征,增强特征表示,最终使分类器能高效预测每个方面词的情感极性。将所提模型在4个公开数据集上进行实验分析,与DMF-GAT-BERT(Dynamic Multichannel Fusion mechanism based on the GAT and BERT(Bidirectional Encoder Representations from Transformers))模型相比,所提模型的准确率分别提高了1.48、1.81、0.09和0.44个百分点。实验结果表明,所提模型能够有效增强方面词与情感词的联系,使方面词情感极性的预测更准确。

3NF结构的依赖树分析

用依赖树这一图形工具，把复杂的数据规范化工作变得很直观，简单。

基于依赖搜索树的电力通信网络告警关联方法的研究

从电力通信网的告警机制出发,针对其网络结构和告警信息数据的特征,对告警关联规则及故障定位进行了研究,利用搜索树可以减少搜索空间和覆盖结点的特点提出了一种基于依赖搜索树的告警关联方法。该方法的基本思想是把告警序列中属于一类的告警信息聚合在一起,并用较少的信息代替这一类,从而使海量告警信息简约化,最终能够准确的表达故障信息,达到定位故障的目的。该方法基于故障传输模型,建模简单,能够直接利用结点的依赖关系,并且适用于多故障源的情况。通过算例分析,证明此方法能对电力通信网络的告警信息进行分析,并且能快速准确发现故障源,便于网络的维护。

依赖树模型和上向——下向算法在网络时延估测中的应用

因特网发展得越来越庞大,越来越复杂,各条链路的运行参数对于评估网络性能十分重要,但有时无法直接测量。网络断层成像(network tomography)技术研究基于端-端测得的数据推算链路的性能参数。本文提出了利用依赖树模型和上向——下向算法,推测链路的时延分布。仿真实验证明了这种方法的正确性,能够根据端-端测量结果精确地推算出链路的时延特性。

基于MHSA和GCN的方面级情感分析模型

针对目前大多数现有的基于图卷积网络的模型只考虑了特定方面和上下文之间的交互关系,忽略了方面之间的交互情感特征的问题,本文提出了一种利用预训练BERT和多头自注意力机制(MHSA)结合图卷积网络的模型(MHSAGCN-BERT).用方面词与上下文的句法依赖和方面之间的相互情感关系来推导出特定方面的情感极性,以此增强模型学习特征能力.在Restaurant14、Restaurant15、Restaurant16公开数据集上进行了实验,结果表明,本文模型与其他方面级情感分析模型相比有较明显的提升.

关系图注意力网络的方面级情感分析模型

针对方面级情感分析利用注意力机制和传统深度学习方法提取方面词与上下文之间的联系时,未充分考虑句法依存信息及关系标签导致预测效果不佳的问题,提出一种基于关系图注意力网络的分析模型。利用DeBERTa预训练模型进行词嵌入,并将初始词向量进行多头注意力计算以增强方面词与上下文信息之间的关系。通过图注意力网络学习句法信息中的关系标签特征,借助这些关系标签特征进一步提取句法信息中方面词和上下文之间的联系,增强模型对于情感特征的提取能力。SemEval-2014数据集的实验测试结果表明,所提出模型的准确率和Macro-F1均优于对比模型。

基于强化依赖图的方面情感分类

提出基于强化依赖图的方面情感分类(reinforced dependency graph for aspect-based sentiment classification, RDGSC)模型。在模型中,使用深度强化学习训练了一个策略网络,参与生成与方面情感分类任务相适应的强化依赖图,在强化依赖图上使用图注意力网络学习文本中与方面相关的信息;通过基于检索的注意力机制,为每个上下文信息设置与方面相关的注意力权重,得到精简的最终表示用于分类,并计算延迟奖励指导策略网络的更新。在5个公开数据集上进行大量实验,实验结果表明,本文方法在两个评价指标Accuracy和上优于所有的基线方法。

基于自注意力机制和平均池化下图卷积网络的商品新闻事件抽取

商品新闻事件抽取是对新闻非结构化语句进行归纳和表达,以提取出该语句所包含的事件以及相关信息,能够为供货需求预测、价格预测、问答系统等提供基础。现有研究工作普遍存在候选触发词与实体向量关联性利用不强以及参数角色提取准确率不够的问题,因此本文在已有研究工作的基础上,提出了一种基于自注意力机制和平均池化图卷积网络及依赖解析树的提取模型(SAT-GCN-DPT)。该模型主要分为3个模块,ComBERT预训练模块、self-attention机制下的触发分类模块、利用平均池化图卷积和依赖解析树的参数角色分类模块。模型利用self-attention机制对输入数据进行操作增强候选触发词与实体向量之间关联性,同时对图卷积结果使用平均池化函数进行信息聚合来更大程度地还原事件之间关联性和提高分类准确率。实验结果表明,在CON数据集上,本文提出的模型在触发分类以及参数角色分类的准确度以及F 1值均有了提高。

对象依赖关系在变更影响分析中的应用

面向对象软件系统中对象间的依赖关系会因为部分对象的变更而波及到系统其它组成部分,对此,给出了一种对象依赖关系构造方法。该方法从粒度上将面向对象系统中对象间的依赖关系简化为接口依赖和方法依赖,通过搜索系统的层次结构,将构造出的依赖图中复杂的多对多依赖关系转化为依赖关系树中较为简洁的一对多依赖关系。当具体对象发生变更时,从变更节点处搜索多叉树获得变更影响的波及范围,根据变更度量方法得到变更产生的额外工作量,确定变更影响程度,为变更可能产生的风险评估和控制提供量化依据。通过一个实际案例展示了变更影响评估方法的可行性。

基于混合图神经网络的方面级情感分类

目前在方面级情感分类研究中,图卷积网络被应用于句法依赖树上构建方面词与上下文词的依赖关系。但是由于句法依赖树的不稳定性和语句的复杂性与不规范表达,这种改进较为有限。为解决上述问题,提出了一种基于混合图神经网络模型。在该模型中,为了深度提取方面词与上下文词的依赖关系,设计了应用于句法依赖树的多层图卷积网络。同时为提取词级依赖特征,设计了具有残差连接的图注意力网络(Res-GAT),其主要思想为以词级依赖关系特征作为补充,结合句法依赖关系进行方面级情感分类。通过在五个经典数据集上实验,证明了该模型相较于基线模型具有更优异的分类能力。

面向服务的网络资源依赖性分析研究

资源管理是网络管理新的管理功能域,资源依赖性分析是网络资源管理的关键技术之一。本文详细描述了网络资源依赖性的相关特征属性、依赖性表示方法和动态资源依赖性的获取方法,将资源依赖性分析方法应用到网络资源管理系统中,取得了较好的效果。

适用于方面级情感分析的多级数据增强方法

【目的】方面级情感分析能够更好地洞察用户评论,是近年来研究的热点。针对方面级情感分析领域中标签数据较难获取的问题,设计简单而有效的多级数据增强方法。【方法】在不改变情感极性的前提下,针对一个评论中特定几个目标方面进行句子级相邻词、领域级同类词和词向量级同义词替换,既保证了标签不变性,又能够生成多样化的合成训练样本。每种数据增强方法能够单独运用或者随机组合运用。【结果】提出的方案分别运用在基于注意力机制+预训练模型和基于依赖树+预训练模型上,并应用于对比学习框架。在SemEval 2014 Task 4 Sub Task 2上进行实验,实验结果表明提出的数据增强方法是有效的,Accuracy和Macro-f1指标优于基准指标。【结论】多级数据增强方法可以有效缓解方面级情感分析任务中数据不足问题,既可以作为原训练数据的有效补充实施共同训练,也可以构建正样本用于对比学习实施多任务训练。

面向方面级情感分析的交互关系图注意力网络

方面级别情感分析旨在分析网络评论每个方面的情感极性,是一种细粒度的情感分析技术。已经有许多相关研究把语法依赖树与图注意力网络结合应用到该任务,取得了较好的成绩。针对以往研究忽略关系类型信息,没有充分挖掘关系类型所包含的潜在语义信息,以及忽略了依赖关系和关系类型之间的联系等问题,提出了一种基于图注意力网络的交互关系图注意力网络模型(interactive relation graph attention network,IRGAT)。该模型提取关系类型的特征信息,使其与图注意力网络提取的上下文特征信息交互学习,使它们相互联系,强化各自的特征表示能力。通过方面注意力机制融合特征,再使用分类器捕获情感分类结果。该模型在四个公开数据集上进行了实验,实验结果表明,与现有的方面级情感分析模型相比,IRGAT模型的预测准确率和MF1值分别平均提升了1.52和1.56个百分点。

融合词性与外部知识的方面级情感分析

方面级情感分析的目标是识别给定句子中特定方面词的情感极性,目前结合图卷积神经网络和句法依存树的大部分研究侧重于根据句子依赖树学习上下文和方面词间的关系,而没有专注于句法依赖树的构建,从而不能充分地利用依赖树上的信息,并且会引入噪声。针对上述问题,提出一种基于多融合邻接矩阵算法的图卷积网络模型。首先使用外部知识来增强句子中情感词的作用,并利用词性进行信息筛选,去除句子中冗余的依赖关系从而得到剪枝句法依赖树,使用多融合邻接矩阵算法将两者结合得到句法信息,将句法信息和BiLSTM层提取的语义信息输入到简化图卷积网络中进行特征融合。在五个数据集上的实验结果表明,提出的改进方法是有效的,且能明显提高模型性能。

结合句子序列与语法关系的方面级情感分类方法

为了研究句子结构关系对方面级情感分类模型性能的影响,针对当前方面级情感分类方法中过于重视句子中语法关系的作用,而忽视了句子的序列结构关系的问题,提出一种结合句子序列与语法关系的信息融合网络(sequence-syntax information fusion network,SYFN)模型。SYFN模型分别处理句子的序列与语法关系信息,并在融合2种结构关系信息的基础上进一步结合网络的高低层融合信息。这些改进措施使模型能够结合高低层网络的关系融合信息去处理各种复杂的句子关系,能够充分利用结构关系信息进行情感分类。实验结果表明,SYFN模型与基线模型相比性能有较明显的提升。

电力通信网络海量告警信息降噪收敛方法

针对海量告警信息电力通信网络的检测率及准确率低,文章提出一种电力通信网络海量告警信息降噪收敛方法。通过电力系统通信网络的设备状态以及报文接收状态告警之间的关系,建立报文接收状态告警模型。利用覆盖规则,以少量信息代表海量信息,得到依赖关系关联两个测量模型中的海量告警信息,并构造依赖搜索树在过滤节点的同时智能归并告警信息,有效确定网络异常点。通过电力通信网络设备中的自检监测流量异常告警等信息为输入,实现电力系统通信网络各通信环节状态还原。实验结果表明应用该方法,电力系统通信网络异常检测率及准确率均在90%以上,误报率及漏报率稳定在5%以下,可以有效实现电力系统通信网络的海量告警降噪收敛。