GraphMLP-Mixer:基于图-多层感知机架构的高效多行为序列推荐方法

在多行为序列推荐领域,图神经网络(GNNs)虽被广泛应用,但存在局限性,如对序列间协同信号建模不足和处理长距离依赖性等问题.针对这些问题,提出了一种新的解决框架GraphMLP-Mixer.该框架首先构造全局物品图来增强模型对序列间协同信号的建模,然后将感知机-混合器架构与图神经网络结合,得到图-感知机混合器模型对用户兴趣进行充分挖掘.GraphMLP-Mixer具有2个显著优势:一是能够有效捕捉用户行为的全局依赖性,同时减轻信息过压缩问题;二是其时间与空间效率显著提高,其复杂度与用户交互行为的数量成线性关系,优于现有基于GNN多行为序列推荐模型.在3个真实的公开数据集上进行实验,大量的实验结果验证了GraphMLP-Mixer在处理多行为序列推荐问题时的有效性和高效性.

基于全局增强图神经网络的会话推荐方法

为解决现有会话推荐方法对其它会话中项目转换信息考虑较少的问题,提出一种基于全局增强图神经网络的会话推荐方法。位置感知全局图利用相对位置信息区分不同类型的邻居,对相邻项目转换建模,训练全局级项目嵌入,使用注意力机制从当前会话中捕获转换信息,训练会话级项目嵌入;分别从两种类型的项目嵌入中生成会话间嵌入和会话内嵌入;使用对比学习技术增强两个会话嵌入的鲁棒性。在3个数据集上的实验验证了该方法的有效性。

基于时序图卷积的动态网络链路预测

动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link prediction based on sequential graph convolution, DNLP-SGC).针对网络快照序列不能有效反映动态网络连续性的问题,采用边缘触发机制对原始网络权重矩阵进行修正,弥补了离散快照表示动态网络存在时序信息丢失的不足.从网络演化过程出发,综合考虑节点间的特征相似性以及历史交互信息,采用时序图卷积提取动态网络中节点的特征,该方法融合了节点时空依赖关系.进一步,采用因果卷积网络捕获网络演化过程中潜在的全局时序特征,实现动态网络链路预测.在2个真实的网络数据集上的实验结果表明,DNLP-SGC在precision, recall, AUC指标上均优于对比的基线模型.

国内马克思主义全球化理论研究热点与趋势展望——基于CiteSpace知识图谱的可视化分析(1998—2023)

马克思主义全球化理论明确指出了全球化发展的历史特征和可能走向,为当前我国应对全球化挑战提供了思想武器,对该议题的探讨成为我国马克思主义研究的重要组成部分。在利用CiteSpace对国内马克思主义全球化理论研究235篇文献样本进行可视化分析时发现:25年来该议题在发展态势上呈波浪式摇摆趋势,并形成了一定的研究力量,但仍存在核心研究群体不稳定、期刊力量分布不均衡等问题。就研究热点而言,社会主义、世界历史、世界市场、资本主义、共产主义、逆全球化等是该领域的研究热词,学者们聚焦马克思主义全球化理论的实质和内涵、该理论视域下的逆全球化研究及其与世界主义思想的关系研究等热点议题进行深度阐释,并逐渐形成了本土化的马克思主义全球化理论研究体系,进一步推动了马克思主义中国化的发展。在发展趋势上,今后围绕逆全球化和民族国家前途命运的马克思主义全球化理论研究将持续深化。

动量余弦相似度梯度优化图卷积神经网络

传统梯度下降算法仅对历史梯度进行指数加权累加,没有利用梯度的局部变化,造成优化过程越过全局最优解,即使收敛到最优解也会在最优解附近震荡,其训练图卷积神经网络会造成收敛速度慢、测试准确度低。利用相邻两次梯度的余弦相似度,动态调整学习率,提出余弦相似度梯度下降(SimGrad)算法。为进一步提升图卷积神经网络训练的收敛速度和测试准确度,减少震荡,结合动量思想提出动量余弦相似度梯度下降(NSimGrad)算法。通过收敛性分析,证明SimGrad算法、NSimGrad算法都具有O(√T)的遗憾界。在构建的三个非凸函数进行测试,并结合图卷积神经网络在四个数据集上进行实验,结果表明SimGrad算法保证了图卷积神经网络的收敛性,NSimGrad算法进一步提高图卷积神经网络训练的收敛速度和测试准确度,SimGrad、NSimGrad算法相较于Adam、Nadam具有更好的全局收敛性和优化能力。

基于深层图卷积的EEG情绪识别方法研究

针对浅层图卷积提取的局部脑区空间关联信息对情感脑电表征不足的问题,本文提出了一种深层图卷积网络模型。该模型利用深层图卷积学习情绪脑电全局通道间的内在关系,在卷积传播过程中应用残差连接和权重自映射解决深层图卷积网络面临的节点特征收敛到固定空间无法学习到有效特征的问题,并在卷积层后加入PN正则化扩大不同情绪特征间的距离,提高情绪识别的性能。在SEED数据集上进行实验,与浅层图卷积网络相比准确率提高了0.7%,标准差下降了3.15。结果表明该模型提取的全局脑区空间关联信息对情绪识别的有效性。

融合简化可视图和A^(*)算法的矿用车辆全局路径规划算法

针对矿用车辆在狭窄、弯曲及有未知障碍物的井下巷道中的路径规划效率低的问题,提出了一种融合简化可视图(SVG)和A^(*)算法的全局路径规划算法DVGA^(*)。在构建真实环境点云地图基础上,连接车辆在不同视点下的可视切点,动态生成SVG;将可视切点依次存入OPEN表作为节点,根据A^(*)算法估价函数选取路径最短情况下的节点加入CLOSED表,得到最优路径点并存储路径,同时删除OPEN表中的其余节点,循环此过程,直到OPEN表中出现终点;最后利用路径平滑算法进一步减少路径节点数量,从而提高路径规划效率。实验结果表明,与完整可视图+A^(*)算法、SVG+A^(*)算法及SVGCA^(*)算法对比,DVGA^(*)算法对复杂长距离路径的规划时间最短,平均路径长度分别缩短了10.79%,6.26%和2.86%,具有更强的适应性和更高的规划成功率。井下试验结果表明:在巷道宽度变换区域和躲避静态障碍物时,相比SVGCA^(*)算法,DVGA^(*)算法规划的路径更加平滑;躲避动态障碍物时,DVGA^(*)算法能够及时进行路径纠正,保证了路径规划的时效性和稳定性;在复杂多变的巷道环境中,DVGA^(*)算法的规划时间和路径长度相比SVGCA^(*)算法分别减少了11.51%和1.54%,具有更高的环境适应性和稳定性。

融合全局信息的类别增强会话推荐方法

现有基于会话的推荐大多只针对当前会话项目之间的顺序依赖关系进行建模,不仅忽略了其他会话中存在与当前会话相关的项目转换,而且未考虑项目类别信息在推荐过程中的辅助作用。针对这一问题,提出一种融合全局信息的类别增强会话推荐方法(CEGI-SR),学习并融合全局会话的物品转换和当前会话的物品及类别表示,使用注意力机制将当前会话中物品位置信息和交互时间信息纳入物品嵌入,辅助提升推荐效果。在两个公共数据集上进行实验,结果表明,相较最优基准模型,CEGI-SR在Diginetica数据集上P@20和MRR@20分别提高了1.15%和1.29%,在Tmall上两个指标分别提高了2.43%和2.74%,验证了CEGI-SR的有效性。

多源知识图谱事件知识融合方法研究

以事件为中心的动态知识对事件预测等应用至关重要,但现有知识图谱主要关注以实体为中心的静态知识,难以满足需求。本文提出一种融合多源知识的高质量事件知识图谱构造方法,首先定义全局事件模式,利用标签类别从源知识图谱中提取事件知识并构造临时事件知识图,提出关系扩充规则对临时事件知识图进行扩充,改进实体对齐Attce模型,基于TransD模型对多个临时事件知识图进行联合嵌入学习,以提高实体对齐和冲突发现的效率;利用事件描述完整度计算源知识图谱可信度,发生冲突时作为判别标准进行处理。经过在真实数据集上的实验,验证了该方法的准确性和有效性。

基于改进图注意力网络的油井产量预测模型

针对图注意力网络处理噪声和时序数据较弱,并且在堆叠多层后出现梯度爆炸、过平滑等问题,提出一种改进图注意力网络模型.首先,使用Squeeze-and-Excitation模块对样本输入数据的特征信息进行不同程度关注,增强模型处理噪声的能力;其次,使用多头注意力机制,将序列数据中每个序列相对其他序列进行加权求和,提取数据的时序性;再次,将图注意力网络提取的节点特征与节点的度中心性拼接,获取节点的局部特征,并用全局平均池化的方式提取节点的全局特征;最后,将两者进行融合得到节点的最终特征表示,增强模型的表征能力.为验证改进图注意力网络的有效性,将改进图注意力网络模型与LSTM,GRU和GGNN模型进行对比,实验结果表明,该模型预测效果得到有效提升,具有更高的预测精度.

基于图优化的GNSS/双目视觉/惯性SLAM系统开发及应用

为提高机器人室外长航时定位精度,提出一种基于图优化的全球导航卫星系统(GNSS)/双目视觉/惯性同时定位与建图(SLAM)系统开发及应用。将空间中的线特征作为几何约束的补充,集成至前端的特征提取及后端的位姿优化线程,提升位姿解算精度。同时,以因子图构建联合优化的图结构,并推导出全局观测误差模型。近200 m的BullDog-CX机器人巡检结果表明,所提算法相比于VINSFusion和PL-VINS分别取得约12.6%及3.4%的定位精度提升,为室外机器人长航时导航提供了一种可行方案。

A Fast and Efficient Global Router for Congestion Optimization

An efficient parallel global router using random optimization that is independent of net ordering is proposed.Parallel approaches are described and strategies guaranteeing the routing quality are discussed.The wire length model is implemented on multiprocessor,which enables the algorithm to approach feasibility of large scale problems.Timing driven model on multiprocessor and wire length model on distributed processors are also presented.The parallel algorithm greatly reduces the run time of routing.The experimental results show good speedups with no degradation of the routing quality.

基于全局-局部图嵌入的轴承故障诊断

传统基于图的故障诊断框架通常是利用高维数据某种结构关系构造相似图以揭示样本间的几何结构,造成数据其他结构信息丢失,无法准确提取出表征轴承运行状态的低维特征。提出了一种新的基于图的无监督特征提取方法,该方法在构造图的过程中同时考虑了高维数据的全局和局部结构,称为全局–局部图嵌入,该方法首先利用数据的全局结构信息构造一个无向图。然后,通过构造局部结构信息赋予无向图中边相应的权重,得到一个全局–局部图联合表示凸优化问题,并根据得到权重评估样本间的相似性。最后,通过在低维空间中保持样本间的相似性不变计算低维嵌入结果。相较于单一的图结构表示法,构造的全局–局部联合图充分利用了高维数据固有的全局和局部结构信息。此外,通过保持样本间的相似性能有效提取出高维轴承数据的本质特征,实验结果表明,提出的基于全局–局部图嵌入的特征提取方法较现有的方法具有明显优势。

基于全局图推理与改进三维动态卷积的鱼类摄食行为分析

本研究提出一种基于时间动作检测的轻量化视频分类网络,旨在解决水产智能化养殖中饵料的投喂不均和水体污染等问题,提高投喂准确性和效率。该网络以ResNet 3D为基础,引入深度可分离卷积模块和三维动态卷积模块,以降低模型规模和参数量;同时采用图卷积全局推理模块和稠密卷积模块构建区域和全局关系,增强网络深层特征的表达,提高网络分类准确率。经试验验证,该模型检测准确率可达96.70%,相较变分自动编码器卷积网络和3D ResNet-GloRe网络,其准确率分别提高7.7个百分点和4.4个百分点;同时,该模型的参数量和计算量也明显降低,分别为1.10 M和3.87 G。研究结果表明,该基于时间动作检测的轻量化视频分类网络可以有效提高水产养殖中饵料的智能化投喂的准确性和效率,减少饵料投喂不均以及水体污染等问题,具有较高的应用价值。

一种全局图增强的图神经网络新闻推荐算法

针对现有图神经网络新闻推荐方法用户兴趣建模角度单一,且无法迅速拟合新节点特征的问题,提出一种全局图增强的图注意力网络模型,在以全局图采样子图的方式聚合邻居节点特征的同时,综合考虑用户历史时序特征和类别特征,多层级地建模用户兴趣。在MIND数据集上通过大量实验表明,提出的模型优于现有的基线网络方法。

双层框架可视图下的双向跳点路径规划方法

针对移动机器人在复杂未知半未知环境下路径规划时间过长,难以找到全局最优路径的问题,该文提出了一种基于双层框架可视图的双向跳点搜索路径规划方法。首先,将可视图分为局部层和全局层,移动机器人通过传感器对环境信息进行采集与提取,生成局部可视图,接着采用基于障碍物轮廓边长的过滤方法将过滤后的图更新至全局可视图;其次,在跳点搜索算法的基础上新增一个从目标点开始搜索的路径,将跳点搜索算法优化为双向跳点搜索算法;最后,将优化后的算法结合可视图进行路径规划导航。将所提方法在多种复杂场景下进行验证,仿真实验表明:采用了双层框架可视图的双向跳点搜索算法的路径搜索时间和导航时间均有着不同程度的优化,可高效地在复杂未知环境下搜索全局路径。

基于全局对抗负样本的图对比学习方法

图对比学习在无监督节点表示方面取得了巨大成功。该类模型旨在通过拉近同一节点对应的不同增强节点的表示(正样本),推远不同节点的表示(负样本)的方式为每个节点学习表示。其中负样本的选择是图对比学习的一个关键。现有的方法通过随机采样或者根据一些启发式的重要性度量标准为每个节点选择对应的负样本。然而上述方法并不能准确地找到对模型关键的负样本。同时,由于需要为每一个节点选取其对应的负样本,导致高昂的时间开销。为了解决上述问题,该文提出通过对抗学习的方式,为所有节点学习一个全局共享的关键的负样本。在多个基准数据集上的实验结果证明了该方法的效率和有效性。

天津城南变电站多源异构数据的知识图谱构建

新一代电力系统的建设与发展使得变电站及其设备之间的关系复杂化,运行产生的数据也呈现出多源异构的特点。为了得到关联所有复杂设备与多元数据的全域模型,一种针对天津城南变电站数据的知识图谱构建方法在此被提出。首先对来自变电站的多源异构数据进行特征分析与知识抽取,并形成电力系统实体关系库和电力系统故障信息库。知识抽取的过程包括语句分词、关键词抽取、图像转文本等操作。其次设计出基于天津城南变电站的知识图谱结构,并构建出涵盖厂站与厂站、厂站与设备、设备与设备之间实体关系的知识图谱,形成一体化数据平台。最后简单分析了该知识图谱的应用。结果表明,变电站知识图谱可以涵盖变电站所有设备,并完成大量运行数据的存储与关联。

立方图的全局罗马控制数与罗马控制数的差

图G的罗马控制函数是从G的顶点集V到集合{0,1,2}的函数f,如果图G中任意满足f(v)=0的顶点v的开邻域至少存在一个顶点u满足f(u)=2。若f是图G及其补图的罗马控制函数,则f为图G的全局罗马控制函数,Σ_(u∈V)f(u)为(全局)罗马控制函数f的权,图G的(全局)罗马控制函数的最小权为G的(全局)罗马控制数。通过分析图的结构,根据顶点数的取值,得到了立方图的全局罗马控制数与罗马控制数的差。

基于Global optimization寻找无向完全图的最小生成树

将Global optimization思想引入到寻找无向完全图最小生成树的问题中,提出了Global optimization算法。与Kruskal算法和Prim算法相比之下,此算法避免了求解过程中对生成树中是否出现回路的判断,并在一定程度上降低了时间复杂度。