时序感知的异质图神经谣言检测

近年来,在线社交媒体的发展大大加速了谣言的滋生和传播,谣言的危害性使得谣言的自动检测技术受到研究学者的广泛关注.本文同时考虑事件与事件之间的全局结构关系以及事件内部消息传播的时序关系,以异质图为载体共同显式建模两种关系,提出一种新的时序感知的异质图神经谣言检测模型.该模型利用时序感知的自注意力机制捕获事件内部转发(或评论)贴之间的时序关系,并将具有时序信息的转发(或评论)贴与源贴融合,得到事件的局部时序表征;接着利用元素级注意力机制捕捉事件与事件之间的全局结构关系,学习事件的全局结构表征;最后将二者融合用于检测谣言.实验结果表明,该模型优于大多数现有模型,可以提高谣言检测性能,并且同样具有优秀的早期检测性能.

面向时序感知的多类别商品方面情感分析推荐模型

电子商务网站中的评论数据隐含着商品特征和用户情感,现有基于方面情感分析的推荐研究大多通过抽取同一类别商品评论数据中用户对商品不同方面的情感来捕捉用户方面偏好,忽略了不同类别商品有不同方面以及用户的方面偏好随时间变化的特点。对此,该文提出一种面向时序感知的多类别商品方面情感分析推荐模型,该模型对用户、商品类别、商品、商品方面、方面情感和时间统一建模,以发现用户对不同类别商品的方面偏好随时间变化的特点,并据此做出推荐。该模型能够推断用户在任意时间对商品的方面偏好,从而为用户提供可解释的推荐。两个真实数据集的实验结果表明,与其它基于时间或方面情感分析的推荐模型相比,该文提出的模型在top-N推荐准确率和召回率评价指标上均获得显著改善。

基于特征增强与时序感知的洪水预报模型

面对洪水发生频率低且机制复杂的问题,提出了一类深度神经网络模型(ET-LSTM)。该模型通过构建特征增强模块提升了小样本情况下的洪水预报能力,通过结合时序感知模块的深度神经网络模型,构建洪水因子与径流量间的非线性关系,挖掘洪水因子间的隐含时序关联关系。首先利用一维卷积神经网络构建洪水深度特征表达;然后,结合瓶颈(BottleNeck)结构设计,通过特征通道间的信息交换,增强洪水深度特征的表达能力;最后,构建时序无关和时序相关模块,分别提取深度特征中的时序相关与时序无关部分,进一步提升深度特征的时变表达能力,并在流域数据集上进行对比分析。结果表明:该方法在模拟精度、相关性系数等指标上优于对比方法,能够更好地拟合真实径流量数据,提升洪水预报的准确性与预见期。

基于时序感知优化机制的无线传感网数据投递算法

为解决无线传感网数据投递算法存在的链路选取质量不高,且节点重投递现象严重,容易降低网络传输质量等不足,本研究提出一种基于时序感知优化机制的无线传感网数据投递算法。首先,算法通过感知节点接近状态的时序情形,设计了基于时序效应的链路筛选方法,通过优选中继节点的方式提升链路投递率,以降低网络链路丢包概率,进而增强数据传输质量。随后,算法通过自感知方式获取节点转发数据,设计了基于投递优选的拥塞控制方法,以提高多跳链路的稳健性,降低节点碰撞效应带来的拥塞现象,进而改善网络数据投递质量。仿真实验结果表明,本研究算法与当前无线传感网中常用的虫洞-路径投递算法和神经卷积深度投递算法相比,能够显著降低网络平均投递时延,且网络累计拥塞频次较低,网络数据投递成功率较高,具有较高的实际部署价值。

时序动作单元感知的开集动作识别

开集动作识别任务要求模型不仅能准确识别训练集中的类别,还能拒绝训练集上未出现的未知类动作.目前,大多数方法都将动作视为一个整体,忽略动作本身可被分解为更细粒度的动作单元.为此,文中提出时序动作单元感知的开集动作识别方法.首先,设计动作单元关系模块,学习细粒度的动作单元特征,得到动作和动作单元的关系模式,并通过已知类动作和未知类动作在动作单元上不同的激活程度识别未知类动作.然后,设计动作单元时序模块,建模动作单元的时序信息,研究动作单元的时序性,进一步区分因为外观相似而被混淆的已知类动作和未知类动作.最后,综合考虑关系模式与动作单元时序信息,使模型具备区分已知类动作和未知类动作的能力.在3个动作识别数据集上的实验表明,文中方法性能较优.

芯片层次化物理设计中的时序预算及时序收敛

在深亚微米阶段,层次化物理设计已经成为主流,时序收敛受到越来越大的挑战。随着工艺的进步,线延时已成为时序收敛的关键。若在时序预算阶段不考虑物理信息,将会给项目带来极大风险。针对深亚微米芯片的物理设计特点,充分考虑各种物理因素对时序的影响,提出了一种物理感知时序预算、时序收敛方法。经过多款45nm、65nm工艺芯片的实践表明,该方法达到了时序快速收敛的目标。