基于属性补全的药物与疾病关联预测

预测药物-疾病关联关系,有助于降低药物开发的成本和时间开销。先前的方法没有基于异构网络的拓扑信息对缺失属性的疾病节点进行节点属性补全,本文提出了一个新的预测方法来编码和整合多个元路径的语义,学习得到药物和疾病节点的拓扑嵌入。以节点间的拓扑关系为指导,对有属性的药物节点属性进行加权聚合,来补全没有属性的疾病节点。此外,本文还设计了一个元路径层面注意力机制和一个邻居层面注意力机制,分别融合来自多个元路径的语义信息和节点邻居的信息。采用了五倍交叉验证的方法进行评估,结果表明新的预测模型取得了比其它模型更高的预测性能。

基于贝叶斯网络的实体属性补全

属性是实体的重要组成部分,因此实体属性的获取是知识图谱构建的关键步骤。由哈尔滨工业大学社会计算与信息检索研究中心推出的开放域中文知识图谱《大词林》是通过从文本中自动挖掘实体及实体间的关系构建而成的,因此为《大词林》中缺少属性的实体添加属性也成为必须研究的问题之一。该文提出了一种解决方案:基于贝叶斯网络的概率统计模型,通过上位词概念与属性之间的依赖关系和实体与上位词概念的依赖关系来自动地为《大词林》中没有属性的实体添加属性,并与相似度计算方法对比证明了其有效性,可大规模提高《大词林》的属性覆盖率。

基于node2vec的社交网络用户属性补全攻击

针对社交网络内容安全,存在一种通过属性推断补全来获取用户私密属性的攻击。传统的基于无监督学习的方法和基于监督学习的属性补全攻击方法存在未能把结构相似性和同质性有效结合起来的问题。文章提出了一种基于隐式表达的用户属性补全攻击方法,把用户属性补全抽象为一个有监督的分类问题,基本思路是利用node2vec算法将社交网络中的用户节点映射成向量,然后将向量通过聚类方法计算一个节点所在的社区,在社区内构建分类模型,并利用此模型对用户缺失属性进行预测。文章在真实数据集上进行验证,证明了算法能够有效提高社交网络用户属性补全的准确率。

基于异质图属性增强的恶意软件变种检测方法

如今越来越多的攻击者通过修改恶意软件源码的方式逃避恶意软件检测,恶意软件变种在代码重用、编码风格、攻击行为等多方面的复杂关系为恶意软件分析带来了挑战.近年来,图神经网络凭借其在建模图结构数据,学习实体间复杂关系等方面的强大能力,已被广泛应用于恶意软件分类与检测任务之中,以建模恶意软件及其变种间复杂的关系,摆脱孤立分析困境.然而,现有方法一方面缺少对恶意软件及其变种间多维度复杂关系的全面表征,导致复杂关联关系未被充分挖掘及利用.另一方面仅关注恶意软件间的拓扑结构,忽略了实体语义信息,这导致攻击者极易通过对抗手段伪造特征从而逃过检测.此外,与恶意软件相关的Windows API、通信IP等实体自身匮乏的语义信息进一步阻碍了语义信息的提取和表示.因此,实现恶意软件间全面的关联关系与特征语义信息的融合对提升恶意软件变种检测的鲁棒性和准确性具有重要意义.为此,本文提出了一种基于异质图属性增强的恶意软件变种检测方法.首先,构建了一个恶意软件异质信息网络,以建模恶意软件及特征间的复杂关系;然后,通过恶意软件异质信息网络,将恶意软件变种检测问题转化为异质图中的节点分类问题,为实体节点构建语义属性来增强节点信息的表示;接下来,对于其中语义信息匮乏的实体节点,从外部开源数据中学习实体的语义信息来弥补自身的语义缺失;最后,本文以拓扑关系为指导,基于注意力机制聚合有属性节点信息以补全无属性节点,实现节点属性补全.遵循一种迭代优化方式,以交替式地优化补全过程与异质图节点嵌入过程,实现统一的基于异质图属性补全的恶意软件变种检测方法.实验结果表明,本文提出的方法能够有效提升恶意软件变种检测的性能,在多个数据集下优于其他最先进的模型.

基于简介文本的中文人物关系图谱属性补全与纠错

一个准确丰富的人物关系图谱不仅能够为大众提供人物实体的清晰介绍和人物之间的相互关联,而且能够为智能服务系统提供有效的知识支持.目前大多知识来源均以百科类表格数据为起点,在此基础上构建知识图谱.本文主要描述如何充分利用百科类文本数据构建高质量的人物关系图谱.为解决表格数据中存在属性缺失和错误的问题,我们采用模式匹配和深度学习模型相结合的策略从文本数据中自动学习属性值,进行属性补全和纠错,有效提高了知识图谱的覆盖率和正确率.

面向学术领域的Web引文资源整合系统

为了使收录各种会议期刊论文的孤立的数据源能够更好地实现资源共享,设计并实现了面向学术领域的Web引文资源整合系统.用户通过系统提供的统一接口,获得各数据源的集成查询结果.系统中,二次查询补全属性为较为关键的技术.首先对系统体系架构进行介绍,然后讨论了二次查询补全属性的全面性和必要性,最后阐述了系统的演示步骤和演示环境.

基于属性词补全的武器装备属性抽取研究

【目的】解决军事领域基于依存句法关系只能抽取单名词武器装备属性词的问题。【方法】分析描述武器装备技术和性能属性文本的特征,编写正则表达式获取属性值,再基于依存句法分析抽取属性词,最后依据词性将属性词补全。【结果】在军事新闻数据集上进行实验,开源属性词抽取的准确率和召回率分别达到91.53%和72.78%;属性词补全的准确率高达96.95%,且每种类别属性词的准确率均高于90%。【局限】武器装备除了有技术和性能属性,还有所属国家、服役状态等基础属性,而本研究并未涉及。【结论】实验结果表明,本文所提基于词性补全属性词的方法是可行且高效的,应用此方法能够获得含义更加明确的属性词。