融合时序门控图神经网络的兴趣点推荐方法

现有的大多数兴趣点(point of interest,POI)推荐系统由于忽略了用户签到序列中的顺序行为模式,以及用户的个性化偏好对于POI推荐的影响,导致POI推荐系统性能较低,推荐结果不可靠,进而影响用户体验。为了解决上述问题,提出一种融合时序门控图神经网络的兴趣点推荐方法。运用时序门控图神经网络(temporal gated graph neural network,TGGNN)学习POI embedding;采用注意力机制捕获用户的长期偏好;通过注意力机制融合用户的最新偏好和实时偏好,进而捕获用户的短期偏好。通过自适应的方式结合用户的长期和短期偏好,计算候选POI的推荐得分,并根据得分为用户进行POI推荐。实验结果表明,与现有方法相比,该方法在召回率和平均倒数排名这两项指标上均有较为明显的提升,因此可以取得很好的推荐效果,具有良好的应用前景。

面向金融风险预测的时序图神经网络综述

金融风险预测在金融市场监管和金融投资中扮演重要角色,近年来已成为人工智能和金融科技领域的热门研究主题.由于金融事件的实体之间存在复杂的投资、供应等关系,现有的金融风险预测研究常利用各种静态和动态的图结构来建模金融实体间的关系,并通过卷积图神经网络等方法将相关的图结构信息嵌入金融实体的特征表示中,使其能够同时表征金融风险相关的语义和结构信息.然而,以前的金融风险预测综述仅关注了基于静态图结构的研究,这些研究忽视了金融事件中实体间关系会随时间动态变化的特性,降低了风险预测结果的准确性.随着时序图神经网络的发展,越来越多的研究开始关注基于动态图结构的金融风险预测,对这些研究进行系统、全面的回顾有助于学习者构建面向金融风险预测研究的完整认知.根据从动态图中提取时序信息的不同途径,首先综述3类不同的时序图神经网络模型.然后,根据不同的图学习任务,分类介绍股价趋势风险预测,贷款违约风险预测,欺诈交易风险预测,以及洗钱和逃税风险预测共4个领域的金融风险预测研究.最后,总结现有时序图神经网络模型在金融风险预测方面遇到的难题和挑战,并展望未来研究的潜在方向.

基于时序图神经网络的潜在高价值专利识别研究

高价值专利是构建当前“国内国际双循环”新发展格局的核心资源,也是促使我国在国际经济新秩序中立足战略制高点、全面推进科技自立自强的核心要素,准确识别潜在的高价值专利是对其进行价值培育与技术转化的关键性步骤。本文在充分挖掘中国专利奖获奖专利特征的基础上,综合利用Patent-BERT(bidirectional encoder representations from transformers for patent)与图深度学习算法,在融合专利评估指标、文本特征的基础之上,提出了基于图卷积神经网络(graph convolutional network,GCN)与长短时记忆网络(long short-term memory,LSTM)的潜在高价值专利识别模型。本文的创新点主要体现在两个方面:(1)修正了已有研究中仅关注诸如专利增长速度、合作潜力等“数量”特征而缺乏对文本语义深度理解的弊端,从文本语义与专利计量维度构建专利价值的表示模型;(2)考虑到专利价值的时序变化性,从动态视角探索了专利价值的演化规律,为专利价值的挖掘与评估提供了新的研究思路。最后,本文对node2vec、doc2vec、GCN、MLP(multilayer perceptron)等多种模型进行性能对比,研究结果表明,本文模型在多项指标上的表现均优于对照模型,从而有效验证了本文方案的高效性与稳健性。

基于时空注意力图卷积网络的锅炉NO_(x)预测方法

在可再生能源大规模并网背景下,火电机组的调峰运行大幅增加了锅炉NO_(x)排放控制的难度。锅炉NO_(x)排放的实时预测,对于指导火电机组调峰工况下的高效、清洁运行具有重要意义。CFD计算方法涉及多个物理场的耦合迭代计算,计算量巨大,难以实时地建立锅炉运行参数与NO_(x)排放质量浓度之间复杂的非线性映射关系。随着大数据分析和人工智能技术的快速发展,数据驱动建模为锅炉NO_(x)的实时预测与控制提供了新方法。锅炉调峰运行状态下的运行数据具有明显的时序特征,同时亦存在着复杂的空间关联特征。然而,目前所普遍采用的深度神经网络等方法无法有效地识别运行数据的时-空关联特征,因此限制了其准确预测NO_(x)排放的能力。针对上述问题,提出一种基于时空注意力图卷积网络(AST-GCN)的锅炉NO_(x)预测模型。该模型不仅可以在空间维度挖掘运行参数间的关联特征,还能捕捉历史运行数据与NO_(x)排放质量浓度的动态映射关系。此外,模型中所嵌入的注意力机制能够进一步提高对运行数据中时空相关特征的动态提取能力,并增加了模型的可解释性,从而可用于指导锅炉在调峰运行下对关键运行参数的优化调整。基于某600 MW锅炉实际运行数据的预测结果表明,相较于传统神经网络模型,AST-GCN模型由于可有效提取锅炉运行参数间的空间关联与时序动态特性,显著提升了模型的预测精度和泛化性能。

多层图时序专利网络中的发明者影响力演变

为探究发明者影响力的演变规律,研究了多层图时序专利发明者引用网络的节点影响力模型。划分网络层并根据节点影响延续性和高影响力节点的吸引性构建层间联系,得到发明者影响力的时序演变数据后利用分段拟合方法挖掘其中的分布和演变规律。实证分析“分子生物学与微生物学”领域专利数据,表明专利的质量和数量决定着发明者的影响力水平。高影响力发明者持续受关注,大部分中等影响力发明者和低影响力发明者会逐渐边缘化。

一类固定工件排序问题算法研究

针对一类"可用机器数有限,存在机器与工件间匹配约束,以机器-工件分配成本最小为目标"的固定工件排序问题,以固定工件的开始时刻、结束时刻为基准构建网络时序图,将"机器-工件"分配过程看成网络时序图中的网络流问题,并设计排序问题的模拟退火算法。通过算例发现:算法平均CPU时间为32.9秒,总成本最大误差为0.07%,时间复杂度为O(M(m3+mn)),空间复杂度为O(m2n)。结果表明:算法为多项式算法,且可行。

融合知识关联与时序传导的金融舆情风险预测模型

【目的】融合公司产业链信息学习针对特定公司的新闻表示,利用新闻表示以及公司间关联提升目标公司舆情风险预测效果。【方法】首先基于注意力机制与Bi-LSTM将公司关联知识嵌入金融新闻文本中,学习针对特定公司的金融新闻表示;然后基于公司间知识关联将金融新闻序列组织成新闻风险传导网络;最后利用时序图注意力网络建模新闻风险信息,通过公司间关联在时序上的传导模式并对风险信息聚合,预测目标公司的金融舆情风险。【结果】实验结果表明,在金融舆情风险预测任务上,本文方法的准确率达到0.624 6,AUC达到0.702 1,均优于基准方法。【局限】模型仅使用了上市公司间股票的统计知识关联,未使用公司间其他类型知识关联。【结论】本文方法能够有效地从金融新闻中学习目标企业相关的风险信息,以及舆情风险在公司关联中和随时间的传导特征,具有良好的金融风险预测性能。