融合GAT与QA提取范式的事件抽取方法

针对传统抽取方法中事件标签语义与事件关系信息利用率低的问题,提出一种融合GAT(图注意力网络)与QA(问题-回答)提取范式的事件抽取方法。将事件类型与论元角色作为查询语句,根据不同事件类型之间的关联构建事件关系图,通过图注意力网络优化事件类型表示,使用注意力机制获取文本与标签的丰富语义,获取事件触发词与事件论元角色。该方法在DuEE数据集上的实验结果表明,触发词识别和论元角色识别的F1值比传统的BERT_QA_Arg模型分别提升4.49%和10.02%,验证了其有效性。

Q-图的电阻距离

通过一类图操作可以得到图G的Q-图,记作Q(G),是在图G的每条边中插入一个新顶点ve,然后连接具有共同邻接顶点的新插入顶点得到一类复杂图;利用Q-图的Laplacian矩阵和Laplacian矩阵的群逆得到Q-图中任意两点之间的电阻距离.通过例子给出一些特殊图的Q-图的电阻距离.

基于局部相对形状上下文与Q-谱的点模式匹配算法

本文提出了一种基于局部相对形状上下文与Q-谱的点模式匹配算法,对每个点构造相应的线图,并对线图的无符号Laplacian矩阵进行谱分解;利用谱分解所获得的特征值(Q-谱)作为点的特征,进而计算点的初始匹配概率;通过定义局部相对形状上下文计算点的相似性距离;将Q-谱方法与局部相对形状上下文结合进行概率松弛迭代获得匹配结果.实验结果表明了本文算法的可行性与有效性.

固定铝log(Q/K)图解在温泉中的应用

为探讨常规和固定铝log(Q/K)图解法对温泉系统是否有效 ,采用WATCH程序 ,对江西 3个温度较高的温泉 ,即庐山温泉、汤湖温泉和横泾温泉 ,进行了探测性的研究 .采用常规log(Q/K)图解法计算时 ,由于参加计算的 4个水样的铝含量均未检出 ,计算结果显示只有不含铝的矿物玉髓和方解石相交于温度 1 0 0℃附近 ,热储总体上没有达到平衡 .在采用了固定铝log(Q/K)图解法并同时考虑冷水的稀释作用计算后 ,中低温地热系统中常见的蚀变矿物如浊沸石、纤蛇纹石、萤石和玉髓均显示了较好的收敛性 ,收敛的温度大致在 1 0 0～ 1 4 0℃ .并且上述矿物组合可见于某些温泉的深部钻孔中 ,计算结果与实际地质情况相吻合 .结果表明固定铝log(Q/K)

A（Q）类平面图及其可4─着色的证明

首先提出Ｑ图概念，将平面图分为Ａ（Ｑ）和Ｂ（Ｑ）两类。

工业WSNs中基于Q-学习的图路由算法

针对工业无线传感网络(Industrial Wireless Sensor Networks,IWSN),提出基于Q-学习的图路由(Q-Learning-based Graph Routing,QLGR)。利用图表述网络拓扑,QLGR算法通过网络内节点的信息构建上行链路图。先依据节点距网关的跳数,能量供应类型以及离邻居节点接收信号强度构建节点的成本函数,再依据成本函数选择节点加入上行链路图。同时,利用Q-学习算法调整成本函数的权重系数,进而减少数据传输时延,延长网络寿命。仿真结果表明,提出的QLGR算法减缓了节点能量消耗速度,提高了传输数据的可靠性。

Q整图新类(英文)

对于一个简单图G,方阵Q(G)=D(G)+A(G)称为G的无符号拉普拉斯矩阵,其中D(G)和A(G)分别为G的度对角矩阵和邻接矩阵.一个图是Q整图是指该图的无符号拉普拉斯矩阵的特征值全部为整数.首先通过Stanic得到的六个顶点数目较小的Q整图,构造出了六类具有无穷多个的非正则的Q整图.进而,通过图的笛卡尔积运算得到了很多的Q整图类.最后,得到了一些正则的Q整图.

基于线图Q-谱的点模式匹配算法

针对大多数谱方法不能够较好地处理不同大小点集匹配的问题,提出了一种基于线图Q-谱的点模式匹配算法.首先,对相关点集构造赋权完全图,再对每个点利用与其关联的前k条最短边来构造线图;然后,根据线图构造无符号Laplacian矩阵,对其进行谱分解,并利用谱分解所获得的特征值(Q-谱)来表示点的特征,通过这些特征计算点之间的匹配概率;最后,通过KM算法来寻找点集之间的最优匹配.实验结果表明,文中算法具有较高的匹配精度,可以处理不同大小点集的匹配问题.

图的最小Q-特征值

证明了,若连通图G不是二部图,则其最小Q-特征值q(G)≥1/n(D+1),其中D是G的直径.另外,还给出了图G的最小Q-特征值与其子图的最小Q-特征值之间的关系.

基于正则图的锥图的Q-谱确定性

研究了锥图G∨K_s的Q-谱确定性,其中G为n阶r-正则图,Ks为s阶完全图.证明了,对于任意正整数s,当r=n-2(n≥4)时,G∨K_s由其Q-谱确定;当r=n-3(n≥6)时,G∨K_s由其Q-谱确定当且仅当G的补图G不含三角形G_2.

基于Q-learning机制的攻击图生成技术研究

针对传统攻击图生成算法效率低和生成攻击图规模小的问题,文中提出一种基于Q-learning机制的攻击图生成的方法。该方法根据Q-learning机制的特征,将攻击者模拟成智能体对网络进行连续的漏洞攻击。智能体的每一次场景作为攻击图中的一个攻击路径。由于智能体的场景之间是独立的,因此可以通过分布式的方式进行攻击图的生成。文中将攻击者的攻击目标作为智能体学习场景的收敛状态。当智能体经过47次的场景学习过程,Q-learning中的Q函数积累值收敛为1 548. 14时,攻击图生成结束。仿真结果表明通过Q-learning机制,多个智能体同时进行学习可以高效地完成攻击图的生成过程。

关于图C_(n_1,n_2,n_3,n_4)及C_(p,q,s)的邻接谱

图的谱确定问题是图论中的一个重要问题,它是根据已知的特征值去确定图形,一般说来这是一件很困难的事.图论界的许多学者研究了一些特殊情形,主要涉及图的邻接谱(或图的Laplacian谱)的研究,其研究的一般途径是通过图的邻接矩阵(或Laplacian矩阵)表示,建立图的拓扑结构(特别是图的各种不变量).通过矩阵论,以及组合矩阵论中的经典结论,用于图的拓扑结构的研究.在已有文献的基础上研究了Cn1,n2,n3,n4图和Cp,q,s图的邻接谱问题,得到了不同构的Cn1,n2,n3,n4图及Cp,q,s图没有相同的邻接谱这个结论.

最大度至多为4的平面图的L(p,q)-标号

利用欧拉公式和权转移规则,证明了:若G为不含4,5,6-圈和2个相交三角形且满足Δ(G)≤4的平面图,则L(p,q)-标号数的上界为(2q-1)Δ(G)+6p+2q-4.

不含4,5,6-圈的平面图的L(p,q)-标号(英文)

证明了若G为不含4,5,6-圈的平面图,则λp,q(G)≤(2q-1)Δ(G)+6p+6q-6.这一结果暗含着对于Δ(G)≥12且不含4,5,6-圈的平面图G,χ(G2)≤3Δ(G)/2+1成立.因此对于这样一类图部分地证实了Wegner猜想.

不含4-9圈的平面图的L(p,q)-标号(英文)

令p≥q是两个正整数.用Δ(G)和λp,q(G)分别记平面图G的最大度和L(p,q)-标号数.文章证明了若G为不含i-圈,4≤i≤9的平面图,则λp,q(G)≤(2q-1)Δ(G)+8p-4.这一结果推出χ(G2)≤Δ(G)+5.因此对于这样一类图部分地证实了Wegner的猜想[2].

Fullerene图的L(p,q)-标号问题

主要研究了一类Fullerene图Fm的L(2,1)-标号问题及L(1,1)-标号问题,给出了Fm的L(2,1)-标号数和L(1,1)-标号数的上界分别为7和6.该结果验证了Georges和Mauro猜想与Wegner猜想对于Fullerene图Fm均成立.

再论q-图

本文在文[1]的基础上,讨论了没有q-割团、但有(q+1)-割团且q-色唯一的q-图的结构。

给定顶点数和边数的连通图的Q-谱半径的界(英文)

图的无符号拉普拉斯矩阵是图的邻接矩阵和度对角矩阵的和,其特征值记为q_1≥q_2≥…≥q_n.设C(n,m)是由n个顶点m条边的连通图构成的集合,这里1≤n-1≤m≤((n/2)).如果对于任意的G∈C(n,m)都有q_1(G~*)≥q_1(G)成立,图G~*∈C(n,m)叫做最大图.这篇文章证明了对任意给定的正整数a=m-n+1,如果n>-1/2+a+1/2(1+12a+12a^2)^(1/2),那么n<q_1(G~*)<n+1,进而得到,对任意的G∈C(n,m),只要n>-1/2+a+1/2(1+12a+12a^2)^(1/2),就有q_1(G)<n+1.

高度平面图的L(p,q)-标号

研究高度平面图G的L(p,q)-标号问题,证明了高度平面图h1-图的L(p,q)-标号数满足:λ(G;p,q)(2q-1)Δ+6(p-q);h2-图的L(p,q)-标号数满足:λ(G;p,q)(2q-1)Δ+8p-6q-1.对于L(2,1)标号问题Griggs和Yeh有一著名猜想:对最大度为Δ的任意图有λ(G)Δ2.此猜想对高度平面图是正确的.

恰有两个Q-主特征值的三圈图

图G的无符号拉普拉斯矩阵定义为图G的邻接矩阵与度对角矩阵的和,其特征值称为图G的Q-特征值.图G的一个Q-特征值称为Q-主特征值,如果它有一个特征向量其分量的和不等于零.确定了所有恰有两个Q-主特征值的三圈图.