基于主题结构发现的我国学术话语权研究态势分析

学术话语权是国家文化软实力的代表,揭示其相关研究的主题结构与发展态势,对于提升中国国际学术话语地位,增强中国国际话语权具有重要意义。研究以CNKI中与学术话语权相关的期刊论文为数据源,通过复杂网络计算、主题结构发现和科学知识图谱等方法,对我国学术话语权的研究态势进行可视化展示与分析。研究发现,2001—2020年,我国学术话语权相关研究稳步增长,研究主题可分为六个子领域,国际话语权是当前研究的核心主题;中国特色话语体系作为学术话语权的研究重心,具有把控全局、提纲挈领的作用;学科建设、期刊建设、高校建设等学科与学术建设主题是学术话语权研究的重要内容,发挥着中流砥柱的作用。

基于概率模型的大规模网络结构发现方法

随着万维网和在线社交网站的发展,规模大、结构复杂、动态性强的大规模网络应用而生.发现这些网络的潜在结构,是分析和理解网络数据的基本途径.概率模型以其灵活的建模和解释能力、坚实的理论框架成为各领域研究网络结构发现任务的有效工具,但该类方法存在计算瓶颈.近几年出现了一些基于概率模型的大规模网络结构发现方法,主要从网络表示、结构假设、参数求解这3个方面解决计算问题.按照模型参数求解策略将已有方法归为两类:随机变分推理(stochastic variational inference)方法和在线EM(online expectation maximazation)方法,详细分析各方法的设计动机、原理和优缺点.定性和定量地对比、分析典型方法的特点和性能,并提出大规模网络结构发现模型的设计原则.最后,概括该领域研究的核心问题,展望未来发展趋势.

基于三层架构的网络拓扑结构发现

介绍了网络管理的体系结构和管理协议 ,在分析基于Web的网络管理的两个推荐标准(WBEM和JMAPI)和一般模型的基础上 ,为了满足对基于Web的网络管理系统可伸缩性的要求 ,提出了三层架构的网络管理服务体系。最后 。

“原子结构发现史”中科学要素剖析及教学反思

科学要素是科学发现过程中必然涉及的因素,其中包括观察、假说、实验、理论等。以＂原子结构发现史＂为例,原子结构的确立历经理论探讨、实验探究、模型确立三个阶段,体现了观察是建构与检验假说的基础;假说是解释、预测现象以及指导实验的依据;实验是获取现象以及检验假说的手段。教师应当返还属于学生的时间,培养学生的观察能力;关注学生的＂错念＂,培养学生提出假说的能力;引导学生思考实验的价值,培养学生的实验设计能力。

基于贝叶斯网稀疏结构学习的信用影响因素结构发现

面对海量高维信用数据,传统贝叶斯网络在刻画变量复杂结构和概率关系时遇到了挑战。尝试将基于multi-logit回归的离散贝叶斯网络稀疏方法用于个人信用影响因素结构关系的发现,实现从多维变量复杂关系中抓取重要结构关系;基于解路径探讨了用于结构发现的稀疏贝叶斯网络模型的选择标准,并比较了稀疏贝叶斯网络与经典贝叶斯网络结构学习的性能;结合领域先验知识进一步改进贝叶斯网络结构,定性分析多维变量存在的主要结构关系;在确定多维变量稀疏网络结构的基础上,采用贝叶斯后验估计获取模型参数,并利用贝叶斯网络推理定量分析关键变量对信贷客户类型的直接或间接影响。

基于带状态回溯个体进化的子结构发现

将进化算法引入图数据挖掘,以克服贪婪式查找易陷入局部极值的问题。针对图数据挖掘中经常遇到的子图同构问题,提出了带状态回溯个体的概念,从而使遗传算子的设计更为合理。另外,还提出了一种新的多样性保持方案,从种群的组成和个体的生成两个方面提高了种群的多样性。在进化过程中随时去掉当前种群中没有潜力的个体的机制使查找空间缩小了一半。实验结果表明,以上措施增强了算法的寻优能力,提高了算法的效率和解的质量。

电网社区结构发现方法及其应用综述

复杂网络社区结构及其发现方法研究已在电网分析多个研究领域中得到应用,其学术价值与工程应用价值已被广泛接受。针对已有算法种类多样、特点不一,对其进行梳理、归纳、及总结是十分必要的。首先,从社区结构属性出发,将算法分为非重叠与重叠社区算法2大类,并依据算法物理属性对其进行细分;其次,梳理了社区发现方法在电网分析中的应用案例,在剖析出当前研究瓶颈并给出相关建议基础上,对社区结构发现方法在电网分析应用的一般技术路线进行了归纳;最后,根据当前电网发展趋势,展望了社区发现方法在未来电网分析与控制中的潜在应用价值和研究方向。

快速的混合进化子结构发现算法

将混合进化算法引入图数据挖掘,避免了陷入局部极值问题,提高了解的质量。在此基础上提出了一种基于单标签扩展的子结构扩展方法,该方法可以减少进化过程中图同构操作执行的次数。在典型数据集上的仿真实验和理论证明表明了该方法的高效性和正确性。

进化子结构发现在区域经济研究中的应用

提出了一种基于进化算法的子结构发现算法,并将爬山算法的思想融合于交叉和变异算子的设计之中,该算法可有效地跳出局部极值,取得较好的实验结果。将该算法应用于我国区域经济研究,挖掘结果反映了我国经济目前发展的趋势及存在的问题。

一种基于混杂EA的子结构发现算法

将混杂进化算法引入图数据挖掘,定义了基于图的染色体表示与加边变异和减边变异算子。针对子图同构问题,采用了SUBDUE提出的带实例的子结构的概念并提出了个体的潜力和带历史的个体两个概念,前者用以衡量一个个体生成新子结构的能力,后者用来保存进化过程中有潜力的个体,从而使减边变异成为可能,在一定程度上克服了子图同构问题。实验结果表明,以上措施增强了算法的寻优能力,提高了算法的效率和解的质量。

基于个体协同的子图结构发现混合进化算法

将进化算法与爬山算法的混合进化算法引入图数据挖掘,以克服贪婪式查找易陷入局部极值的问题.针对子图结构发现问题中实例易丢失的特点,提出了一种新的遗传操作——个体协同算子,使得代表同一子结构的不同个体能够以协同的方式进行查找.另外,还提出了一种基于年龄段和个体生成方式的多样性保持方案,以从种群的组成和个体的生成两个方面保持和提高种群的多样性,同时还有助于个体协同算子的执行.在进化过程中随时以新生成的单边子结构替换当前种群中没有潜力的个体的机制在缩小查找空间的同时还使得进化过程成为一个更为完全的查找过程.实验结果表明,以上措施增强了算法的寻优能力,能够获得更优的解.

基于保守合并策略的复杂网络社区结构发现

为了有效的进行复杂网络社区结构发现,在CNM算法的基础上引进了一种具有额外头部节点的堆数据结构,在社区合并的过程中采用有偏的随机抽样方法,实现了较为保守的合并策略。随机合并算法的输出有更多的机会到达模块度函数的平台区域,在通常情况下其平均表现超过了原始CNM算法。在合成和真实的网络上验证了所提算法的可行性和有效性。

半结构化数据的结构发现聚类算法

当处理的半结构数据时,从中挖掘出其隐含的结构显得愈来愈重要了,不仅对于用户而且对于整个系统来说,其重要性也是不言而喻的.算法structure_discovery将聚类算法应用到半结构化数据的结构发现上,将描述同一类对象的共有结构按照相似度聚集到一起形成类,然后从类中发现满足用户兴趣度的结构.与同类算法比较,structure_discovery为增量式算法,同时,聚类技术的使用提高了结构发现效率.

基于近似个体协同的进化子结构发现

SUBDUE是一个主流的图数据挖掘算法。为克服其贪婪式查找易陷入局部极值的问题,将进化算法与爬山算法相结合并引入图数据挖掘,较好地权衡了算法的探查和利用能力。另外,针对图数据挖掘中普遍存在的实例易丢失的问题,采用了个体协同的查找方法,该方法与常见的种群间协同进化算法不同,可以使同一种群中的个体进行协同查找,重新找回丢失的实例。同时,还给出了一种具有多项式时间复杂度的近似图匹配算法以改善个体间协同的性能。实验结果表明,以上措施增强了算法的执行效率及寻优能力,能够获得更优的解。

多关系社交网络中社团结构发现算法

社交网络的节点之间存在着多种关系,这些关系共同决定了网络中节点的社团结构划分。为了准确地发现多关系社交网络中的社团结构,通过研究信息在多子网复合复杂网络模型上的传播过程,提出了一种多关系网络中的社团结构发现算法。该算法基于多子网复合复杂网络模型建立的多关系社交网络,利用信息在多关系社交网络中的传播过程,将网络中的节点转化成能够被聚类算法处理的向量形式,进而采用聚类算法完成多关系社交网络中的社团结构划分。该算法综合考虑了网络中多种关系的相互作用以及异质节点间的相互影响,得到的传播信息量矩阵表示了各节点在整个网络中的影响力,并将影响力相似的节点划分到同一个社团结构中。实验结果显示,与传统社团结构发现算法相比,该算法不仅在准确度上有所提高,还能将异质节点划分到一个社团中,可以根据用户不同需求挖掘出多关系社交网络中的隐藏信息。

试论“苯分子结构发现史”教育价值与教学实践——科学本质的视角审视

从科学本质的视角分析,“苯分子结构发现史”涉及的知识、方法、情感,蕴含了科学知识、科学方法及科学情感三个维度上的科学本质观念,有利于学生知识和方法的形成,有利于学生形成科学的情感态度。以“苯分子结构发现史”与实践教学的融合与应用线索为例,分析目前化学史教学存在的问题,提出相应教学建议。

基于Spark的大规模网络结构发现算法

当今社会处于大数据时代,现实中的网络数据越来越多,其结构复杂、规模庞大,有效分析其结构对了解、应用其提供的信息具有重要作用。基于混合模型的网络结构发现算法可挖掘网络中的多类型聚类结构,但不能有效处理大规模网络。基于Graph X图计算模型,提出基于Spark的大规模网络的结构发现算法LNSES,从存储空间和运行时间两方面提升算法效率。为减少网络结构发现算法存储大规模网络邻接矩阵内存耗费量,LNSES算法将边、节点及节点静态属性值进行分布式存储,边分区记录节点连边,可作为索引进行节点间参数传递。为提高网络结构发现算法效率,边分区和节点分区进行拉链操作产生索引结构;更新参数时,节点根据索引找到边分区上对应的边,并行实现节点参数更新。在真实和人工大规模网络数据集上的实验结果表明:LNSES在运行时间和网络结构识别准确度方面都要优于同类网络结构发现算法,可以对大规模网络中的结构进行挖掘分析。

面向网络结构发现的批量主动学习算法

网络结构发现可识别网络多类型聚类模式,但其准确率有待提升.批量主动学习选择质量高的节点集合构造先验,可提升无监督网络结构发现的性能.面向属性网络分类的主动学习BMAL(Batch Mode Active Learning)只考虑链接信息实现网络节点选择,但不能有效选择使模型性能提升至最优的节点集合,且依赖初始人工标注及参数.提出一个新的批量主动学习算法,利用目标函数的子模性迭代选择最优的节点集合.该方法基于未标记节点的不确定性和非冗余影响力选择最优节点集合,不确定性依据节点及其邻居的类隶属度,影响力依据节点的非重叠中心性,两个指标的权重依据熵权法自动确定.人工和真实网络上的实验结果表明,该方法能选择使结构发现性能提升最大的节点集合.

基于强化学习和注意力机制的朝鲜语文本结构发现

将注意力机制与深度强化学习相结合,利用标签信息研究如何自主学习出有效的朝鲜语文本结构化表示,提出了两种结构化表示模型:信息蒸馏注意力模型(ID-Attention)和层次结构注意力模型(HS-Attention)。ID-Attention选择与任务相关的重要单词,而HS-Attention在句中发现短语结构。两种表示模型中的结构发现是一个顺序决策问题,使用强化学习中的Policy Gradient实现。实验结果表明:ID-Attention能够识别朝鲜语重要单词;HS-Attention能够很好地提取出句子结构,在文本分类任务上有很好的性能表现,同时,两模型的结果对语料库的标注有很好的辅助作用。

IPv6接入网拓扑结构自动发现方法研究

针对IPv6网络的特点,进行网络拓扑结构自动发现,是对IPv6网络实施有效管理的基础。目前,国内外相关的研究工作主要集中在IPv6骨干网络拓扑发现方法领域,对IPv6接入网的拓扑结构自动发现方法的研究工作相对较少。该文提出了一种IPv6接入网拓扑结构自动发现方法,在此基础上给出一个在IPv6接入网中实施拓扑发现的解决方案,通过实际测试,对这种方法的正确性和有效性进行了分析。