On Point countable Sequential Neighborhood Networks

In this paper we prove that a space X with point countable sequential neighborhood network if and only if it is α 4 space with point countable cs network.

基于邻域采样的多任务图推荐算法

近年来,图神经网络(GNN)成为解决协同过滤的主流方法之一。它通过构建用户-物品图,模拟用户与物品的交互关系,并用GNN学习它们的特征表示。尽管现有在模型结构上的研究已取得了较大进展,但如何在图结构上更有效地进行负采样仍未有效解决。为此,提出一种基于邻域采样的多任务图推荐算法。该算法提出了一种基于GNN的邻域采样策略,该策略以每个用户为中心构建子图,将次高阶物品作为用户邻域采样的负样本,可以更有效地挖掘强负样本并提高采样质量。通过GNN对图结点进行信息聚合与特征提取,得到结点的最终嵌入表示。设计一种余弦边际损失来过滤部分冗余负样本,以有效减少采样过程中的噪声数据。同时,该算法引入了多任务策略对模型进行联合优化,以增强模型的泛化能力。在3个公开数据集上进行的大量实验表明,该算法在大多数情况下明显优于其他主流算法。

Tenement Network and Women's Social Space in Early Twentieth-Century Beijing

本文研究了20世纪早期北京城内平民区的四合院之中的贫民妇女社会网络的形成和运作。通过调取刑事案件档案,文章认为四合院房屋提供了一个性别化的城市空间,妇女以此建立、扩展和维护了灵活而动态的耐久关系网络。在这种集体关系的基础上出现了邻里网络,它仍然是个人化、个体化、以“自我为中心”的,主要受个人情况和目标的驱动。这种网络不是为了任何政治运动而产生,也不涉及更广泛的女性团结。然而,当下层阶级妇女处于情感、家庭或经济危机中时,四合院空间和邻里网络的存在为贫民妇女提供了一些紧急保护和缓冲措施。在改革和革命的动荡年代,这一空间网络是妇女从强烈的国家控制和经济动荡中自我崛起的重要资源。

基于动态邻域采样的社交推荐模型

基于图神经网络的社交推荐模型在提升推荐系统性能方面有不错的表现。但现有方法都忽略了被查询的目标用户和项目节点与其邻居节点间可能存在特征不匹配的问题,导致噪声的引入而降低了模型性能。为了解决该问题,文中提出一种社交推荐模型DNSSR。首先构建一个包含用户和项目多元关系的关系图谱,图节点间信息关联更丰富;然后利用动态邻域采样机制获得与目标查询对的特征更一致的邻居节点,减少了噪声信息;另外,为了进一步提高模型预测性能,设计了一种增强型图神经网络对采样后得到的关系子图进行建模,它可以区分不同邻居节点的重要性并选择更可靠的信息源,获得更鲁棒的用户和项目嵌入向量用于评分预测。实验结果表明:相比其他先进模型,该模型预测误差明显降低,证明了文中所提各项方法的有效性;尤其是动态邻域采样机制,若将其弃用,DNSSR在Ciao数据集上的RMSE(均方根误差)和MAE(平均绝对误差)指标将分别上升6.05%和7.31%,在Epinions数据集上则分别上升3.49%和5.41%,充分验证了其能有效降低噪声干扰、提高社交推荐模型的性能。

基于多阶邻域贡献度的航线网络节点重要性辨识

为提高航线网络鲁棒性,对航线网络的节点重要性辨识进行研究.基于航空公司执飞数据构建航线网络拓扑模型,依托航线网络节点间交互阶数与网络平均路径差值集结邻域多阶异质性信息,利用航线网络邻域节点的圈结构表征节点在网络中的紧密性特征集结.构建基于航线网络的节点多阶邻域信息与结构信息融合模型并提出基于多阶邻域贡献度的节点中心性算法.实验选取投入攻击资源R=0.3和R=0.5进行分析,分别最大提升39.62%和49.69%的攻击效用值,表明该算法对航线网络节点重要性辨识准确有效,可给航线网络连通性优化设计提供理论参考.

基于多邻域感知的石油数据资产图谱实体对齐

实体对齐在自动融合多源异构的石油领域数据资产知识图谱过程中起着至关重要的作用。目前主流基于图神经网络的实体对齐模型多关注实体和图结构的信息,忽略了实体之间的关系、属性与属性值等多邻域的语义信息,在命名规则差异性大、行业特殊、语义实体多的石油领域数据资产知识图谱融合过程中性能一般。提出一种基于图注意力网络改进的多邻域感知网络(MNAN)模型,用于实体对齐。使用基于BERT的多语言预训练模型得到实体及多邻域的初始特征,通过带有Highway Networks的图卷积神经网络聚合邻域实体与图结构特征,利用多邻域感知和实体增强注意力网络聚合实体的多邻域特征,使用最小化基于边际的损失函数训练模型。在石油领域数据资产知识图谱数据集中的2个知识图谱上进行实体对齐实验,实验结果表明,MNAN模型优于所有对比的基于图神经网络实体对齐模型,Hits@1值达86.7%,优于表现最好的对比模型约2.3个百分点。

基于邻域粗集神经网络的大数据特征分类系统

为提升主机元件对大数据的分类准确性,尽可能地避免数据误传,提出基于邻域粗集神经网络的大数据特征分类系统。在邻域粗集神经网络中,完成对邻域系数的粒化处理,通过逼近运算的方式,使神经网络模型快速趋于稳定。选取大数据特征调制信息,借助调制识别器元件控制大数据特征的导出方向,结合关联信道组织完成数据特征的多标合并处理。实验表明,利用该系统可将大数据的单位召回率提升至65%,能够促进主机元件对大数据的准确分类。

基于层间邻域信息熵的时序网络节点重要性评估方法

为识别时序网络中的重要节点,提出基于层间邻域信息熵的时序网络节点重要性评估方法。受明显路径流网络模型的启发,该方法通过引入参数ω,融合节点在相邻时间快照的层间邻域拓扑信息,使用信息熵来刻画网络结构的复杂性,并且兼顾了相邻时间快照的全局拓扑信息。通过使用SIR传播模型、Kendall相关系数、以及Top-k指标来验证该方法的有效性与适用性,在6个真实数据集上与其他6种评估方法进行比较。实验结果表明,提出的方法能够更为有效的识别出时序网络中的重要节点,同时对重要性排名靠前的节点的识别更为准确;可根据时序网络的拓扑结构调整ω从而提升该方法的评估效果;该方法的时间复杂度仅为O(mn),适用于大型时序网络。

新增未知攻击场景下的工业互联网恶意流量识别方法

针对工业互联网中新增未知攻击所引发的流量数据分布偏移问题,提出了一种基于邻域过滤和稳定学习的恶意流量识别方法,旨在增强现有图神经网络模型在识别已知类恶意流量时的有效性和鲁棒性。该方法首先对流量数据进行图结构建模,捕获通信行为中的拓扑关系与交互模式;然后,基于有偏采样的邻域过滤机制划分流量子图,消除通信行为间的伪同质性;最后,应用图表示学习和稳定学习策略,结合自适应样本加权与协同损失优化方法,实现高维流量特征的统计独立性。2个基准数据集上的实验结果表明,相较对比方法,所提方法在新增未知攻击场景下的识别性能提升超过2.7%,展示了其在工业互联网环境下的高效性和实用性。

时间感知增强的动态图神经网络序列推荐算法

现有的图神经网络序列推荐方法只关注序列的时序信息而没考虑到序列的时间间隔信息,且只采用单任务的模式进行序列推荐,忽略了可以增强数据,提高泛化能力的辅助任务,这将导致用户的动态交互偏好以及交互时间信息无法被清晰地捕捉。为了缓解上述问题带来的影响,提出了增强时间感知的动态图神经网络序列推荐算法(time-aware enhancement dynamic graph neural networks for sequential recommendation,TaDGSR),具有两方面的优点。该方法将序列构造为一个具有时序信息的动态图,在此基础上融入时间间隔信息并增加时间门控注意力网络模块,以便在捕捉序列间的高阶动态连接的同时增强对时间信息的充分利用。该方法采用了时间阈值分割的长短期预估任务作为其辅助任务,加强时间间隔信息表征的利用,使模型更好地捕捉不同交互间隔的用户动态偏好,最终提升序列推荐任务性能。通过在Amazon电商的Beauty数据集、Games数据集以及CDs数据集上进行的实验,结果表明:(1)与目前较新的基准方法相比,所提方法在三个数据集的Hit@10和NDCG@10指标值上分别取得了4.47%、4.37%、2.72%、1.16%、4.61%、3.97%的平均提升;(2)增加时间间隔信息可以有效提高动态图神经网络的推荐性能,采用时间门控注意力模块以及长短期预估辅助任务对预测性能均能带来正面提升。

考虑时变路网的多行程电动车辆路径问题研究

为了降低城市物流的电动车配送成本,考虑道路交通网络的时变性对电动车多行程配送活动进行研究。首先,以固定成本、充电成本和时间惩罚成本之和最小化为优化目标,构建时变路网下的多行程电动车辆路径问题模型;其次,利用自适应大规模邻域搜索算法对实际案例进行求解;最后,分别对出发时刻、路网时变性、充电策略和电价进行分析。结果表明:路网时变性在不同时刻下对成本和配送用时的影响不同,不同出发时刻有着不同的最优路线规划;电价的小范围波动对配送活动的影响很小;充电策略的选择对配送用时和成本的影响显著。

基于改进邻域粗糙集和优化BPNN的火灾预测算法

针对传统森林火灾检测算法精度低,以及大规模、多特征的火灾数据存在冗余信息等问题,该文提出了一种基于改进邻域粗糙集的优化反向传播神经网络(BPNN)火灾预测方法。首先,考虑到数据集具有高维特征空间和高度特征冗余等特点,设计出一种基于混沌反学习蝙蝠(BA)算法的邻域粗糙集特征选择算法,对火灾原始数据集进行特征寻优,得到约简属性子集;然后,构建BA算法优化的BPNN预测模型,将约简属性子集输入该模型中,得到火灾预测的结果;最后,通过平均分类准确度、F1值、精确度、曲线面积、召回率、平均误差率这6种评价指标,在UCI公开森林火灾数据集上分析和检验模型的分类性能。在2个数据集上的实验结果显示,基于混沌反学习策略的算法准确率为94.3%和52.7%,与邻域粗糙集结合后准确率达到98.1%和59.6%,证明了该文算法具备较高的检测精度。

基于二项熵和邻域节点间范德华力的关键节点识别方法

对节点重要性进行排序是复杂网络中识别关键节点的一种常用分析方法,分析网络中节点的重要性,有助于深入了解网络特性。在现有方法上为进一步提升节点评估精准度,引入二项熵概念来量化节点在网络中的重要性,通过邻域相似度衡量节点间的相互影响力,同时采用范德华力抽象节点之间的相互作用关系,提出一种基于二项熵和邻域节点间范德华力的关键节点识别方法,该方法从网络的整体信息流和相邻节点之间的位置和交互关系,综合考虑节点的局部和全局特征,并选取3个同类算法通过3个评价指标验证性能优劣,实验结果表明该算法对重要节点的判断具有良好的性能。

空间地理与动态能力:街区慈善生态形成的双重逻辑——基于杭州慈善基地的双案例比较研究

基层慈善在慈善事业高质量发展中发挥越来越重要的作用,但已有研究多以行政区划为基本分析单元剖析基层慈善的发展,忽略慈善活动的空间溢出效应和片区联动格局,因此构建跨行政区划的、注重多主体协同的基层慈善生态成为基层慈善发展中的重要议题。本文提出基于“街区”场域的基层慈善生态概念,以空间地理和动态能力为分析维度,其中空间地理维度包括区位环境和政策支持环境等静态条件,动态能力维度包括合作网络形成和组织学习机制等动态条件。通过对杭州市两个慈善基地的比较研究发现,空间地理与动态能力共同作用于显性与隐性的慈善绩效,有利的政策与区位环境仅是街区慈善发展的基石,紧密的合作网络与持续的组织学习则是增强慈善主体适应力、优化资源配置、进而提升其整体能力与绩效表现的关键机制。

基于邻域抽样多图神经网络的社会化推荐算法

基于图神经网络的社会化推荐算法可以从图网络中获取深层数据信息,提升推荐性能。但随着图网络复杂度提升,特别是对于多图神经网络,节点特征获取质量直接影响最终的推荐质量。为了提升多图网络中的节点特征获取质量,结合邻域抽样思想,提出一种邻域抽样多图神经网络社会化推荐模型MGNN-NS。基于用户-项目评分图和用户社交关系图,从用户和商品项目角度对图中节点的邻域节点进行抽样,并应用多头注意力机制对抽样节点进行信息聚合,获取用户和商品项目特征,计算预测评分,得到推荐结果。在真实数据集Epinions和Ciao上进行实验,结果表明MGNN-NS模型相较于基准算法有更好的推荐效果。

一种基于图神经网络的改进邻域搜索算法

近年来图神经网络与深度强化学习的发展为组合优化问题的求解提供了新的方法。当前此类方法大多未考虑到算法参数学习问题,为解决该问题,基于图注意力网络设计了一种智能优化模型。该模型对大量问题数据进行学习,自动构建邻域搜索算子与序列破坏终止符,并使用强化学习训练模型参数。在标准算例集上测试模型并进行三组不同实验。实验结果表明,该模型学习出的邻域搜索算子具备较强的寻优能力和收敛性,同时显著降低了训练占用显存。该模型能够在较短时间内求解包含数百节点的CVRP问题,并具有一定的扩展潜力。

基于多尺度时间卷积网络的多模态过程故障诊断方法

针对工业过程故障诊断面临的多模态、多尺度等混合特性问题,提出一种基于多尺度时间卷积网络的故障诊断方法。考虑到过程数据的多模态分布特性,采用基于余弦相似度的局部近邻标准化方法处理过程数据以消除多模态特性;针对过程数据的多尺度特性,使用变分模态分解获取数据的多尺度表示,对各分量构建采用注意力机制的时间卷积网络模型提取特征,并融合多尺度特征,以实现多尺度特征提取;在特征提取的基础上使用全连接层实现故障诊断。通过田纳西-伊斯曼(Tennessee-Eastman,TE)过程仿真实验验证了该方法的有效性和可行性。

解纠缠邻域信息聚合的知识图谱补全方法

针对现有基于图神经网络的知识补全模型在处理知识图谱异构性上的不足,及大部分模型采用单一静态实体表示方式导致的模型表达能力受限问题,提出一种基于图注意力网络的解纠缠邻域信息聚合模型。首先,该模型通过学习每个实体的解纠缠表示,对实体的潜在影响因子进行多组件表示。其次,利用注意力机制,为两个相连的实体选择最具影响力的潜在影响因子作为连接要素。接着,通过关系感知注意力机制自适应地聚合实体因子级的邻域消息,有效地减少了在信息聚合过程中不相关信息的相互干扰,进而显著增强了模型的语义表达能力。此外,为了使模型在评分过程中关注与给定关系最相关的实体组件,进一步引入了一个自适应评分系数,使模型能够自适应地感知给定的关系与实体不同组件的关联度。实验结果显示,提出的模型在WN18RR和FB15K-237数据集的知识图谱补全任务上相较其他先进基线模型表现更优,并显著地增强了模型的表达能力。

基于双层图注意力网络的邻域信息聚合实体对齐方法

针对知识图谱中存在部分属性信息对实体对齐任务影响程度不一致以及实体的邻域信息重要程度不一致的问题,提出了一种结合双层图注意力网络的邻域信息聚合实体对齐(two-layer graph attention network entity alignment,TGAEA)方法。该方法采用双层图神经网络,首先利用第一层网络对实体属性进行注意力系数计算,降低无用属性对实体对齐的影响;随后,结合第二层网络对实体名称、关系和结构等信息进行特征加权,以区分实体邻域信息的重要性;最后,借助自举方法扩充种子实体对,并结合邻域信息相似度矩阵进行实体距离度量。实验表明,在DWY100K数据集上,TGAEA模型相较于当前基线模型,hit@1、hit@10和MRR指标分别提升了4.18%、4.81%和5%,证明了双层图注意力网络在邻域信息聚合实体对齐方面的显著效果。

基于邻域关系感知图神经网络的DDI预测

研究药物的相互作用DDI有助于临床用药与新药研发。现有的研究技术没有充分考虑药物知识图谱中药物实体与其他药物、靶标和基因等实体的拓扑结构,以及实体之间不同关系的语义重要性。针对这些问题,提出基于邻域关系感知的图神经网络模型NRAGNN预测药物的相互作用。首先,使用图注意力学习不同关系边的权重与特征表示,强化药物实体的语义特征;然后,生成药物实体周围不同层的邻域表示,捕获药物实体的拓扑结构特征;最后,将2种药物特征表示向量进行逐元素相乘得到药物相互作用分数。实验预测结果表明,提出的NRAGNN模型在KEGG药物数据集上的ACC、AUPR、AUC-ROC和F1指标分别达到了0.8994,0.9444,0.9567和0.9023,优于当前的其他模型。