数据科学的科学性与科学问题的分析

作为一门新兴的学科领域,数据科学的科学性受到了关注且其科学问题未明确提出。文中从科学研究范式及方法论、可证伪性和可再现性、科学精神及快速迭代以及科学研究纲领及理论体系4个方面探讨了数据科学的“科学性”,并解答了为什么数据科学是一门新兴科学的问题。在此基础上,结合DIKW模型(DIKW Pyramid or Hierarchy)、DMP(Data-Model-Problem)模型、数据科学的统计学和机器学习方法论以及数据科学的流程与活动,提出了数据科学的7个核心科学问题:解释在先还是在后或无、问题对齐数据还是数据对齐问题、更加相信数据还是模型、更加重视性能还是可解释性、如何划分数据、如何用已知数据解决未知数据的问题、人在环路还是人出环路。最后,提出了数据科学研究的4点建议:聚焦数据科学本身的理论研究,推动数据的科学、技术和工程需要进一步分离和专业化,加强人工智能赋能的数据科学的理论与实践以及数据科学学科(Data Science as A Discipline)与学科中的数据科学(Data Science Within A Discipline)的联动。

基于学习通和在线判题系统的程序设计课程考核系统研究

程序设计课程是大部分工科专业的基础课程,对后续专业课程学习非常重要。为了提高课程的教学效果,结合学习通和在线判题系统对课程内容、实践环节等进行研究与探索,根据学校教学特点设计了一款在线判题系统。该系统基于ThinkPHP框架搭建,使用目前流行的B/S架构,最终以网页形式提供给教师与学生实践操作。学生通过该系统能获得测评实时反馈,增强了学习自主性,提高了编程能力,并减少了教师的工作量。

面向知识图谱问答的查询图生成方法

该文提出一种新的查询图生成方法用于知识图谱问答系统的问句解析。现有查询图生成工作覆盖的复杂问句类型有限,不能较好地处理答案为关系或涉及关系约束的问句,且未充分考虑路径结果间的组合与运算。因此,该文在查询图生成中应用节点操作的同时引入基于关系的操作,并考虑不同主路径之间的组合情况,显著提升对复杂问句的分析能力。并在此基础上,构建了中文知识图谱问答系统。此外,该文构建一份包含多种复杂类型问句的中文知识图谱问答数据集。该数据集和CCKS2019-CKBQA数据集合并后构成一个新的数据集CCKS2019-Comp,并用来测试本文方法的有效性。实验结果表明,该文方法在CCKS2019-CKBQA和CCKS2019-Comp测试集上平均F 1值分别达到73.8%和73.3%。该文的新构建数据和代码已开源①。

中英心理学期刊数据删除及删除标准的元研究

数据删除在心理学研究中存在较大的操作空间,研究者借此获取显著统计结果的操作极大地威胁了科研结果的真实性和可重复性。研究以2000、2010、2020三个年度发表在《心理学报》和Psychological Science期刊上的实证研究为分析对象,结合量化和质性分析方法,揭示中英心理学期刊数据删除现状。结果显示,中英期刊存在数据删除的研究各占比为48.83%和35.56%,平均被试删除比例分别为16.31%和14.48%,在删除数据后未按相关标准进行报告的比例分别为11.48%和5.46%;在被试数据删除和观测值数据删除中,报告率最高的删除标准分别为基于极端值的删除(57.87%)和基于任务的删除(30.6%);研究报告的次级删除标准体现了一定的随意性。这些结果表明了建立更为严谨的标准化数据删除报告规范的必要性。

基于多模态知识主动学习的视频问答方案

视频问答是人工智能领域的一个热点研究问题.现有方法在特征提取方面缺乏针对视觉目标运动细节的获取,从而会导致错误因果关系的建立.此外,在数据融合与推理过程中,现有方法缺乏有效的主动学习能力,难以获取特征提取之外的先验知识,影响了模型对多模态内容的深度理解.针对这些问题,首先,设计了一种显性多模态特征提取模块,通过获取图像序列中视觉目标的语义关联以及与周围环境的动态关系来建立每个视觉目标的运动轨迹.进一步通过动态内容对静态内容的补充,为数据融合与推理提供了更加精准的视频特征表达.其次,提出了知识自增强多模态数据融合与推理模型,实现了多模态信息理解的自我完善和逻辑思维聚焦,增强了对多模态特征的深度理解,减少了对先验知识的依赖.最后,提出了一种基于多模态知识主动学习的视频问答方案.实验结果表明,该方案的性能优于现有最先进的视频问答算法,大量的消融和可视化实验也验证了方案的合理性.

基于提示问答数据增强的小样本网络安全事件检测方法

针对网络安全领域的事件识别标注数据较为匮乏且场景和语义复杂,难以构建准确的事件识别模型的问题,提出了一种基于提示问答数据增强的小样本网络安全事件检测方法。首先利用提示信息获取事件表示知识,并结合标签词映射网络安全事件类型,从未标注的文本中生成新的数据来扩充训练数据;然后使用生成的高置信度的伪标注实例和原始数据来微调模型,以增强模型对网络安全事件的语义理解能力;最后在2个网络安全领域数据集上进行了实验验证。结果表明,与其他基线方法相比,所提方法在低资源网络安全事件检测任务上具有很强的优越性。

基于文本数据增强的中文水稻育种问句命名实体识别

针对现有水稻育种问答系统存在数据管理水平低、知识粒度大,水稻育种领域缺乏用于命名实体识别的标注数据、人工标注成本高等问题,提出了一种基于文本数据增强的方法来识别水稻育种问句的命名实体,通过构建水稻育种知识图谱,对水稻育种问句中的大类命名实体进行分类,从而增强实体边界,降低知识粒度。针对水稻育种数据标注成本高导致命名实体识别性能不佳的难点,通过在BERT-BILSTM-CRF模型中引入数据增强层,提出了DA-BERT-BILSTM-CRF模型。实验以标注的水稻育种问句为训练数据,将所提出的模型与其他基线模型进行比较。结果表明,本文方法在水稻育种问句中命名实体识别的单类别识别任务和整体识别任务上均优于其他方法,其中单类别识别精确率达到94.26%,F1值达到93.32%;整体识别精确率达到93.86%,F1值达到93.34%。

嵌入局部聚类描述符的视频问答Transformer模型

视频问答(Video Question Answering)是典型的跨模态理解任务,其目的是根据提问的文本对视频内容进行理解并推理正确的答案,如何有效地对多模态输入进行特征表示并建立跨模态间复杂的语义关联是解决这一任务的关键难点.为了正确地推理结果,模型首先必须捕获视频序列和复杂文本中包含的关键语义信息.本文提出了一种嵌入局部聚类描述符的视频问答Transformer模型,称为TVLAD-Net(Transformer Residual-less VLAD Network).TVLAD-Net主要包含一个端到端可训练的无残差局部聚合描述符模块(RVLAD,Residual-less Vec⁃tor of Local Aggregated Descriptor),以及一个统一的语义转换模块(Transformer).具体来说,RVLAD通过设置多个不同的聚类中心将视频和文本特征分别聚合为少量紧凑的局部聚类描述符;每个聚类描述符从全局角度分配及汇总了序列上权重不一的语义信息,相比于聚合前的视频帧特征或文本词特征具有更丰富的表征能力.Trans⁃former模块能够利用模态间的相互语义引导,实现多模态聚类描述符的语义交互,即采用多头注意力机制同时求解模态内和模态间的语义关联,进而避免了与所求解问题无关或者冗余的描述符语义单元的聚合.实验评估在TGIF-QA、MSVD-QA和MSRVTT-QA三个基准数据集上进行;实验结果表明本文方法能够实现先进的问答推理,在整体的评价指标上与现有方法相比有2%~5%的性能提升.

电网调控运行智能问答系统构建方法研究

目前的电网调控运行智能问答系统中获得的答案与问题不匹配,存在等级精度低、AUC曲线高和挖掘长尾能力差的问题。提出电网调控运行智能问答系统构建方法研究方法,构建以数据层和信息检索层为主体的问答系统,将数据层分为数据获取、建立数据库、数据存储三大模块,完善系统数据库,同时将信息检索层分为用户输入、查询扩展和信息检索模块,为提高检索准确率,在信息检索模块中利用问题和文档间的相似度匹配出相应的答案,实现电网调控运行智能问答系统的构建。实验结果表明方法的等级精度较高、AUC曲线低和挖掘长尾能力优。

基于课程学习的无监督常识问答模型

无监督常识问答是利用机器自动生成问答数据来对模型进行训练的问答模型,目前方法生成的问答数据中存在噪声数据和问题的难度随机的问题。提出一种基于课程学习的无监督常识问答模型,首先根据知识生成问答数据集,再对问答数据集进行多样化评估和流畅性评估,结合两个评估结果进行数据过滤,去除噪声数据;最后根据课程学习策略,使用干扰项与正确答案的相似度作为问题难度评估标准,使得模型根据难度等级来进行训练。在测试任务上具有1.5%~3.5%的准确率提升,证明了该模型在无监督常识问答任务上的有效性。

基于自监督图对比学习的视频问答方法

视频问答作为一种跨模态理解任务,在给定一段视频和与之相关的问题的条件下,需要通过不同模态语义信息之间的交互来产生问题的答案.近年来,由于图神经网络在跨模态信息融合与推理方面强大的能力,其在视频问答任务中取得了显著的进展.但是,大多数现有的图网络方法由于自身固有的过拟合或过平滑、弱鲁棒性和弱泛化性的缺陷使得视频问答模型的性能未能进一步提升.鉴于预训练技术中自监督对比学习方法的有效性和鲁棒性,在视频问答任务中利用图数据增强的思路提出了一种图网络自监督对比学习框架GMC.该框架使用针对节点和边的两种数据增强操作来生成相异子样本,并通过提升原样本与生成子样本图数据预测分布之间的一致性来提高视频问答模型的准确率和鲁棒性.在视频问答公开数据集上通过与现有先进的视频问答模型和不同GMC变体模型的实验对比验证了所提框架的有效性.

一个基于金融混合数据的智能问答模型

智能问答系统(Question Answering System,QAS)是一种让人类通过自然语言与机器进行问答来获取信息的人机交互系统,是自然语言处理的一个集综合性与广泛性于一体的应用.现有的智能问答系统模型研究主要考虑单一型数据.然而,现实生活中结合表格和文本的混合型数据十分普遍,如金融领域的财务报表.本文对已有的财务报表智能问答模型进行改进并提出了一个新模型,该模型有更好的效果.

大数据相似重复记录检测算法在试题库中的运用

为了提高试题库中重复信息自动化检测能力,提出面向试题库建设的大数据相似重复记录检测算法。采用大数据分析方法,构建试题库大数据相似重复记录分布模型,获取随机链路中重复记录的分布区间,采用层次关系入度集特征监测的方法,分析试题库大数据相似重复记录特征结构,根据获取的统计特征量,基于空间网格聚类方法对试题库大数据的相似重复记录进行融合处理,根据处理结果,在空间坐标系中实现大数据相似重复记录的检测。仿真实验结果表明,所提算法进行试题库的大数据相似重复记录检测的错误率较低,时间开销较小。

语义驱动的地理实体关联网络构建与知识服务

知识服务是GIS的重要应用方向,海量文本数据中蕴含的丰富隐式地理信息的分析与挖掘成为热点研究问题。在自然资源管理领域,一定时空范围内的自然资源分布相对独立和分散,文本中的丰富语义信息零散、庞杂且高度非结构化,缺少有效的组织表达、关联整合与综合应用方案。本文面向自然资源管理领域的文本数据和自然资源实体,提出了语义驱动的地理实体表达框架,通过语义描述、空间位置、属性特征和时间演化四元组来组织表达文本内蕴的地理实体多域信息,并从概念、空间、属性和时间4个维度定义并表示实体间的多类语义关系;继而按照地理实体信息抽取、信息存储和语义关联构建等步骤,给出了多维度地理实体关联网络的构建方法,并设计了基于关联网络的知识问答服务算法;最后,以建设用地审批为例,利用审批过程电子文本数据,完成建设用地信息的实体化表达、建设用地实体关联网络的构建及知识问答服务的实现。试验与分析结果表明,本文的理论与方法能有效促进自然资源管理领域文本中地理信息的有机整合、充分关联与科学管理,为提升自然资源领域信息的应用与社会化服务水平提供切实可行的途径。

面向电力领域自然语言理解的数据增强研究与实现

探究面向领域智能问答中自然语言理解的数据增强问题。由于应用缺乏历史数据,且人工标注成本高,无法满足大规模训练自然语言理解模型的需求。因此,对传统数据增强的方法进行研究,提出使用基于对比搜索的关键字文本生成模型,以此生成了具有句式表达多样性的的数据集。实验结果表明,相比传统的集中搜索算法,使用对比搜索作为模型的解码策略能够生成更加准确和合理的电力领域问题文本,有效地降低了生成文本的词重复率。利用这些样本数据,成功地训练了一个高效准确的自然语言理解模型,提高了用户意图识别的准确率。这一研究对于智能问答领域的实际应用具有一定的参考价值。

输变电设备运维知识图谱的构建及应用

针对电网公司在开展输变电设备运维检修过程中存在的非结构化文本数据难以利用、全口径数据难以深度融合、数据应用手段仍处于简单统计状态等难题,本文研究设计了基于知识图谱的输变电设备运维知识问答系统的总体框架,以打破传统信息获取方式的局限性。首先,从多源输变电设备数据中提取出实体、关系、属性等元素,涵盖的数据既有结构化也有非结构化的数据。在此过程中,使用不同的技术和方法来提取这些元素。其次,利用图形数据库Neo4j将这些元素组合在一起,构建一个完整的输电变电设备运维知识图谱,从而将不同类型和业务数据整合并形成一个连贯统一的知识网络。最后,基于Neo4j+Python平台搭建输变电设备运维知识问答系统,为运维人员提供一种新的方法。

一种基于Excel的三相三线计量接线虚拟运行数据的生成方法

按照现有规范标准配置的三相三线计量装置,电压与电流回路均独立存在的设定,共有144种计量接线组合。本文研究一种基于Excel的三相三线计量接线虚拟运行数据的生成方法,搭建接线组合题库,并按照设定的已知条件生成运行数据,代替现有实体计量错误接线仿真设备的实操测量,为不同等级和不同难易程度的电力营销人员的考评和训练工作提供参考。

大数据正在引发地球科学领域一场深刻的革命——《地质科学》2017年大数据专题代序

摘要本文针对目前国内大数据研究的现状，着重分析了在地球科学领域大数据研究落后的原因，指出大数据正在引发地球科学领域一场深刻的革命，大数据的关键不在于数据的大，而且在于思维的新；从数据出发，让数据说话，依靠人工智能方法，让机器学习、深度学习、可视分析等大数据技术逐步成为必需。利用大数据方法研究玄武岩构造环境判别图以及中新世岩浆事件的意义所取得的成果即是极佳的研究范例。文中指出，面向未来，大数据对于地球科学界来说，决不是可有可无的，它将创造奇迹。大数据作为第四科学范式的研究领域十分宽广，它将改变地球科学家的思维方式，从逻辑思维方式转变为由数据驱动的关联思维方式，文中呼吁科学界对大数据给予更多的关注和支持。

自动气象站数据实时质量控制业务软件设计与实现

介绍了一种面向天气监测预报实时业务的自动气象站数据质量控制软件。该软件综合应用数据质量控制、网络消息即时通信等技术,将数据质量控制纳入气象信息业务流程,建立了省、市、县三级气象台站联动的自动站数据实时质量控制业务流程,实现了对江西省89个国家自动气象站和1531个区域自动气象站观测数据的实时质量控制,有效降低了自动站疑误数据对天气监测预报业务服务可能造成的不利影响。

性病门诊就诊者AIDS相关知识、态度、行为的调查

目的:了解性病门诊就诊者的艾滋病知识水平、态度和行为,探讨这一特殊人群的艾滋病健康教育干预模式。方法:用自制问卷对454名性病门诊就诊者进行不记名艾滋病知识、态度和相关行为的调查。结果:性病门诊就诊者对艾滋病知识的了解不够系统和全面,全部回答正确率仅为21.37%。78.63%的人艾滋病知识来源于报纸、杂志、电视和网络等宣传媒介;但82.16%的人希望能够通过正规的教育从学校和医生处获得全面、准确的AIDS知识。性病门诊就诊者对艾滋病缺乏风险意识,仅有7.39%的被调查者在每次发生非婚性行为时都使用安全套。结论:针对性病门诊就诊者的艾滋病健康教育亟待加强,重点应该放在传播途径和安全套的使用推广和提高艾滋病风险意识上;学校和医院应该加强健康教育的力度,为社会提供系统全面的健康教育。