基于多标签节点和LINE的知识图谱动态更新方法

针对现有知识图谱动态更新方法只考虑节点的单类标签而忽略来自外部的丰富标签信息问题,本文定义了以命名规则为基础的标签结构模型,利用大规模网络嵌入方法(large-scale information network embedding, LINE)预测节点间的关系链接,提出了以多标签节点为主的动态多元属性标签方法(dynamic multivariate attribute labeling, DWAL)。为了验证该方法的可行性和有效性,对知识图谱三元组进行统计和校验,实现知识图谱质量控制,并在新技术需求数据集上进行测试,最后采用Neo4j软件更新知识图谱,在多数据集上验证该方法在重复节点处理问题上的有效性。实验结果表明,该方法能够为多标签节点合理的增加标签信息,扩大节点信息量,并有效地去除冗余,减少重复节点的构建,为知识图谱下一步研究打好坚实基础。该研究对提高知识图谱动态更新的准确性具有重要意义。

基于随机化矩阵分解的网络嵌入方法

随着互联网的普及,越来越多的问题以社交网络这样的网络形式出现.网络通常用图数据表示,由于图数据处理的挑战性,如何从图中学习到重要的信息是当前被广泛关注的问题.网络嵌入就是通过分析图数据得到反映网络结构的特征向量,利用它们进而实现各种数据挖掘任务,例如边预测、节点分类、网络重构、标签推荐和异常检测.最近,基于矩阵分解的网络嵌入方法NetMF被提出,它在理论上统一了多种网络嵌入方法,并且在处理实际数据时表现出很好的效果.然而,在处理大规模网络时,NetMF需要极大的时间和空间开销.本文使用快速随机化特征值分解和单遍历奇异值分解技术对NetMF进行改进,提出一种高效率、且内存用量小的矩阵分解网络嵌入算法eNetMF.首先,我们提出了适合于对称稀疏矩阵的随机化特征值分解算法freigs,它在处理实际的归一化网络矩阵时比传统的截断特征值分解算法快近10倍,且几乎不损失准确度.其次,我们提出使用单遍历奇异值分解处理NetMF方法中高次近似矩阵从而避免稠密矩阵存储的技术,它大大减少了网络嵌入所需的内存用量.最后,我们提出一种简洁的、且保证分解结果对称的随机化单遍历奇异值分解算法,将它与上述技术结合得到eNetMF算法.基于5个实际的网络数据集,我们评估了eNetMF学习到的网络低维表示在多标签节点分类和边预测上的有效性.实验结果表明,使用eNetMF替代NetMF后在后续得到的多标签分类性能指标上几乎没有损失,但在处理大规模数据时有超过40倍的加速与内存用量节省.在一台32核的机器上,eNetMF仅需约1.3 h即可对含一百多万节点的YouTube数据学习到网络嵌入,内存用量仅为120GB,并得到较高质量的分类结果.此外,最近被提出的网络嵌入算法NetSMF由于图稀疏化过程的内存需求太大,无法在256 GB内存的机器上处理两个较大的网络数据,而ProNE算法则在多标签分类的结果上表现不稳定,得到的Macro-F1值都比较差.因此,eNetMF算法在结果质量上明显优于NetSMF和ProNE算法.在边预测任务上,eNetMF算法也表现出与其它方法差不多甚至更好的性能.

基于消息复用的TOF井下精确定位技术

针对目前超宽带TOF井下精确定位技术中对称双边双向测距(SDS-TWR)方法测距效率低、扩展性差,多次回应非对称双边双向测距(ADS-TWR-MA)方法测距效率及定位系统容量仍有提升空间的问题,提出了多标签多锚节点同时测距(ADS-TWR-MTMA)方法。该方法在多次回应非对称双边双向测距(ADS-TWR-MA)方法的基础上,进一步复用非对称双边双向测距过程中的测距消息,可以让多标签与多锚节点同时进行TOF测距,在保证测距精度的前提下大大提高了测距效率和定位系统容量。在机车接近探测系统和精确定位系统中的应用验证了ADS-TWR-MTMA方法在测距消息条数、测距耗时及系统容量上均优于SDS-TWR方法和ADS-TWR-MA方法。