基于卷积神经网络的链接表示及预测方法

针对节点全局表示和链接局部拓扑关系,提出链接序列化表示及卷积神经网络(CNN)提取序列特征的链接预测方法.研究节点间的局部拓扑及共邻关系,基于共邻紧密度构建链接局部拓扑的有序节点序列,并用node2vec节点向量表达生成潜在链接的矩阵表示;基于CNN建立链接预测的分类模型,采用CNN可变滤波器窗口卷积运算提取序列中共邻与节点对的多层隐含关系,分类训练实现链接的有效预测.在4种大规模网络数据集上的实验结果表明,相比已有方法,该方法的AUC值有显著提高,最高达12.4%,稳定性及普适性较强,解决了传统方法对大规模稀疏网络的预测准确率下降问题.

基于最简子图的链接表示及预测

稀疏网络的传统链接预测准确率低,为了捕捉稀疏网络节点间建立链接的可能性,提出基于节点间最短路径的最简子图概念。最简子图反映了节点间的拓扑紧密关系,在采用node2vec节点向量化方法的基础之上,实现了基于最短路径的链接表示,并采取长短期记忆循环神经网络(LSTM)学习长链接节点序列的特征,最终实现链接的分类。实验结果表明,该方法与已有方法相比,在4种不同数据集上的预测AUC值平均提高了11.6%,AP值平均提高了13.3%。

Knowledge presentation model for QnA web forums

For an extract description of threads information in question and answer （QnA） web forums, it is proposed to construct a QnA knowledge presentation model in the English language, and then an entire solution for the QnA knowledge system is presented, including data gathering, platform building and applications design. With pre-defined dictionary and grammatical analysis, the model draws semantic information, grammatical information and knowledge confidence into IR methods, in the form of statement sets and term sets with semantic links. Theoretical analysis shows that the statement model can provide an exact presentation for QnA knowledge, breaking through any limits from original QnA patterns and being adaptable to various query demands; the semantic links between terms can assist the statement model, in terms of deducing new from existing knowledge. The model makes use of both information retrieval （IR） and natural language processing （NLP） features, strengthening the knowledge presentation ability. Many knowledge-based applications built upon this model can be improved, providing better performance.

基于神经网络集成学习和语义增强特征的需求跟踪方法

现有的基于机器学习的需求跟踪方法存在稳定性差的问题。为了缓解上述问题,提出了一种基于神经网络集成学习和语义增强特征的需求跟踪方法(Ensemble Learning Trace Approach,EMTrace)。该方法将需求跟踪问题转化为分类问题,集成了多个机器学习分类器进行预测,并对这些预测结果进行加权生成跟踪链接。为了自动获取各个基模型的权重,构建了一种基于神经网络的元学习器并利用每个基模型的预测结果进行训练。为了更准确地表达制品之间的跟踪链接,EMTrace方法使用多个词嵌入和句子嵌入模型提取软件制品的语义信息来增强跟踪链接特征的语义表示。实验结果表明,EMTrace方法能够有效提高需求跟踪的稳定性和性能,相比最优的基线方法,EMTrace方法在F1上提升了0.162。