基于改进Node2vec算法的锅炉温度场分割方法研究

针对温度场特征参数差异引发的锅炉温度场分割准确性的问题,以维持温度场特征为目标,引入图结构表达场数据,通过改进Node2vec算法进行聚类分析,进而实现锅炉温度场的最佳分割。该方法基于多维度的特征信息对锅炉温度场实现分割,能够更准确地保留流场特征。在标准数据集上进行了实验验证,结果表明在具有多维度特征的数据集上,所提方法相比其他对比算法在分割效果方面有提升显著。最后将提出的方法用于分割电站锅炉温度场,结果表明该方法可以很好地捕捉温度场数据中的局部和全局特征,且结果具有较好的精确性。

基于node2vec神经网络的信息取证方案研究

通过对社会集群信息网络(Social Information Network,SIN)的分析,获取现实世界中特定目标的人际关系和社群结构,是社会集群信息网络研究的一个重要方向。这种研究在刑侦司法领域具有重大意义,能够使办案人员在不进行物理抓捕/监视的情况下描绘出犯罪组织内部结构,进而找到犯罪组织核心成员。文章基于现有取证领域的相关研究,结合机器学习神经网络部分算法,提出一个网络取证工具Vec2Rank-CrimeNet,并以真实的犯罪数据作为实验数据,给出其在解决实际问题时的效果。

基于Node2Vec的重叠社区发现算法

针对目前基于种子节点选择的社区发现算法在准确性和复杂度等方面存在的不足,提出了一种基于Node2Vec的重叠社区发现算法.首先,使用Node2Vec算法学习到网络中每个节点的向量表示,用以计算节点间的相似度,其次,利用节点影响力函数计算节点影响力并找出种子节点,然后基于每个种子节点进行社区的扩展优化,最终挖掘出高质量的重叠社区结构.本文选取多个真实网络进行了对比实验,结果表明,本文所提出的算法能够在保证良好稳定性的前提下发现高质量的社区结构.

基于PageRank和Node2vec的研究热点与集群发现——以国际深度学习研究领域为例

[目的/意义]为有效挖掘领域研究热点与集群,规避单纯基于频次统计的热点排序方法所存在的弊端,以及基于高频关键词共词网络集群发现方法所带来的偏差。[方法/过程]提出利用无向加权PagaRank算法进行研究热点排序,综合考量关键词之间共现的数量和质量,同时强调全部关键词共词网络的重要性,综合Node2vec表示学习和t-SNE聚类算法对全部关键词进行集群发现,以国际深度学习领域研究文献为例,分别进行热点排序和集群发现。[结果/结论]研究表明PageRank算法不仅能够区分频次统计算法无法区分的排名,而且从整体网络结构衡量研究热点,综合考量共现的数量和质量,使排序结果更为准确;整合Node2vec和t-SNE算法进行研究集群发现,可有效改善单纯利用高频关键词进行集群发现的不足,避免在有限的关联密切的高频关键词之间强制分门别类;综合热点和集群发现方法,可在凸显热点的基础上描述集群细节,有效揭示集群脉络。

基于node2vec的社交网络用户属性补全攻击

针对社交网络内容安全,存在一种通过属性推断补全来获取用户私密属性的攻击。传统的基于无监督学习的方法和基于监督学习的属性补全攻击方法存在未能把结构相似性和同质性有效结合起来的问题。文章提出了一种基于隐式表达的用户属性补全攻击方法,把用户属性补全抽象为一个有监督的分类问题,基本思路是利用node2vec算法将社交网络中的用户节点映射成向量,然后将向量通过聚类方法计算一个节点所在的社区,在社区内构建分类模型,并利用此模型对用户缺失属性进行预测。文章在真实数据集上进行验证,证明了算法能够有效提高社交网络用户属性补全的准确率。

基于Node2vec和知识注意力机制的诊断预测

诊断预测根据患者的历史健康状态预测未来的诊断信息,是个体化医疗决策的核心任务。电子健康记录是患者随时间推移的健康状况和临床护理的记录,它为诊断预测提供了丰富的纵向临床数据。然而,现有基于电子健康记录的诊断预测模型还不能完全了解隐藏的疾病进展模式;其次,细粒度诊断预测的性能很大程度上依赖于富含信息的特征。为了增强表达并改进学习,设计一种基于Node2vec和知识注意力的诊断预测模型。该模型基于Node2vec从医学本体的全局结构中捕捉潜在的医学知识并将诊断代码和分类代码映射为低维向量;利用分类代码嵌入向量对患者诊断的临床知识进行编码,进一步丰富患者细粒度健康状态的特征表示;设计一种知识注意力机制并与门控循环单元结合,将领域知识和电子健康记录进行融合,从患者历史健康状态中捕捉长期关联和疾病进展模式。在现实数据集上的实验结果表明,与最新方法相比,该模型显著地提高了预测性能。此外,结果表明Node2vec可以从医学本体捕捉到蕴含更多信息的医疗概念嵌入,知识注意力机制有助于促进外部知识和电子健康记录的有效融合。

融合node2vec和深度神经网络的隐式反馈推荐模型

利用隐式反馈信息实现个性化推荐是实用且具有挑战性的研究课题。对如何有效结合辅助信息来解决数据稀疏问题从而实现高效推荐的问题进行了研究,提出了一种融合node2vec和深度神经网络的隐式反馈推荐模型。该模型采用一种嵌入元数据的深度神经网络框架(Deep Neural Network Framework with Embedded Meta-data,Meta-DNN),首先将用户和项目的one-hot向量进行低维映射,再嵌入元数据信息,并结合node2vec的二阶随机游走方法学习网络中的邻居节点,使得相邻节点具有相似的节点表示,同时通过增强相邻用户和项目的平滑度来缓解数据稀疏性;最后使用深度神经网络进一步学习用户对项目的偏好,进而为用户产生推荐。其中,还引入了流行度参数对未知项目进行非平均抽样,优化隐式反馈负采样策略。在Gowalla和MovieLens-1M两个数据集上的实验表明,所提方法可以明显提高系统的预测性能和推荐质量。

基于node2vec的社区检测方法

社区检测可以帮助分析及预测整个网络各元素间的交互关系,为了进一步提高社区检测的准确度,论文提出了一种基于node2vec的社区检测方法。该方法首先采用一种二阶的随机游走策略生成一系列线性序列,然后使用Skip-Gram模型去训练特征向量,最后使用聚类算法对训练出的节点特征向量进行聚类,实现社区的划分。该文在具有社区标签的网络中进行了实验,从实验中验证了这种思想的可行性,从而取得了显著的效果。

基于共词和Node2Vec表示学习的新兴技术识别方法

【目的】高效准确地识别新兴技术,帮助政府、企业等市场各参与主体及时洞察技术前沿并合理配置资源。【方法】本研究以细粒度的技术术语为研究对象,在考虑共词网络结构特征和语义表示的基础上,构建模型进行新兴术语的遴选和新兴分数的量化,并运用Node2Vec图表示学习算法对新兴术语的向量进行编码及语义表示,实现了新兴术语和新兴技术主题的识别。【结果】在数控机床领域进行实证研究,共识别出449个新兴术语以及4个新兴技术主题(机器人自动上下料系统、清洁高效切削加工技术、高速高精度数控加工中心、增减材复合制造技术),验证了所提方法的科学性和合理性。【局限】仅使用专利文献的数据,对其他多源异构文献数据及其中存在的引用、语义相似等其他网络关系利用不足。【结论】运用共词和Node2Vec图表示学习的方法可深入挖掘技术术语间共词网络结构特征和语义表示,实现了新兴技术的细粒度精准量化识别。

基于深度学习框架的时空联合供水管网漏损检测研究

以深度学习框架为基础,提出了一种时空联合供水管网漏损检测模型。该模型首先运用Node2Vec算法求解不同时间段内节点特征;其次,通过模糊C-均值聚类法,利用管网模型节点特征进行分区。最后,以不同时间段的压力敏感度作为输入,漏损位置的分区号作为标签,通过深度信念神经网络进行训练,并通过训练后的模型对管网漏损位置进行检测。在实例分析中,以A市实际供水管网拓扑结构进行验证,利用MATLAB-Open Water Analytics toolbox联合编程建模,结果表明,各个时间段的检测效果均较优,正确率均达到为80%以上。因此,该模型能够有效地检测管网漏损。

数据缺失下的交通流预测方法研究

文中提出了一种基于节点向量-生成对抗网络的交通流预测方法.通过Node2vec方法实现路网邻接关系的重构,实现路网空间相关性的深度挖掘.基于残差图聚合机制构建了路网数据空间特征的生成器,实现了根据路网中的部分已知数据推演未来路网交通流数据.采用西雅图高速路网速度数据集(Seattle)和加州路网速度数据集(PEMS)验证模型的有效性.结果表明:该模型在不同数据缺失模式、不同数据缺失率下均可以保持鲁棒的交通流预测表现.

基于图神经网络和随机森林的CircRNA-疾病预测

环状RNA(CircRNA)广泛参与人类疾病的进程,其突变和失调与许多人类疾病密切相关.因此,建立一个高效准确的CircRNA与疾病之间的预测算法对于提前对疾病的发生做出预防以及发病后的治疗方案具有重要意义.提出了一种新的基于图神经网络和随机森林的算法预测CircRNA-疾病关联算法,在分层网络表示嵌入部分通过构建异构网络,根据网络图的邻近性,对网络图的节点和边缘进行分层,递归地合并原始图中的节点和边,得到若干具有相似特征的较小子网络.子网络规模随着分层的深入而递减,直至得到最小子网络后,使用node2vec网络图游走算法对其进行预处理,然后将全部节点的特征向量输入至随机森林分类器来识别潜在的CircRNA-疾病关联,从而进行预测.

融合加权异质网络与网络表示学习的学术信息推荐研究

[目的/意义]21世纪互联网技术的发展为学术研究提供了开放的交流平台,科研信息资源由此呈指数增长,学者难以从繁杂的信息中快捷获取所需信息,从而导致学术资源利用率低下。学术资源精准化、个性化推荐,成为了提高学术信息流转效率和实现价值增值的有效途径。[方法/过程]本文利用文献发表时间因子与文献语义相似度对异质信息网络进行加权,并基于此加权网络采用Node2vec进行有偏随机游走生成图节点序列,然后利用Skip-gram语言模型进行序列学习,最终计算节点向量的相似度以实现学术信息推荐。[结果/结论]以CNKI中的数据集为例对本文所提出的模型进行验证,实证结果表明,使用该模型推荐的论文与学者,一方面与目标学者的研究方向相符合;另一方面在时间维度上也较为精准,能够有效满足学者信息需求。

基于深度学习的自闭症谱系障碍fMRI数据分类研究

与健康儿童对照相比,自闭症谱系障碍(ASD)患者的脑结构和功能存在显著异常,因此文中采用脑影像的方法实现ASD的辅助诊断。由于基于传统的脑图谱构建脑网络节点依赖于人为的先验知识和假设,因此将由受试者的数据通过数据驱动的方法即独立成分分析(ICA)进行全脑独立成分(ICs)分析,并将提取的ICs作为感兴趣区域(ROI)提取时间序列,随后用计算得到的相关性矩阵构建脑网络并通过Node2vec方法将脑网络的节点向量化以生成节点特征,最后通过图卷积网络(GCN)刻画脑网络连接水平状态,并通过多层感知机(MLP)实现对ASD的识别。所用方法ICA+GCN在79名ASD患者和105名典型对照组中取得了86.1%的分类精度。综上,文中所用方法有望用于ASD辅助诊断。

基于知识图谱与BERT的安全领域汉字文本纠错模型

针对安全领域所涉及的文本中存在大量人为混淆的文字的问题,提出一种基于汉字知识图谱的BERT(Bidirectional Encoder Representation from Transformers)预训练模型,表征汉字的读音、字形、语义三个维度的特征,构建纠错算法。首先,构建汉字知识图谱刻画汉字的读音、字形拆解、繁简转换、汉字与数字转换等属性和关系,并基于汉字知识图谱中的读音属性和node2vec模型训练得到汉字读音向量;其次,基于知识图谱中字形关系构建node2vec模型,得到node2vec字形向量,并结合卷积神经网络(CNN)方法训练字形向量,两者之和作为最终的字形向量;最后,基于BERT预训练模型,融合读音、字形、语义三维度的向量,并在不同维度间使用自注意力机制加权求和,发现错误字位置并选择正确的候选字。为验证所提模型的有效性,在安全领域诈骗短信数据集上,将所提模型与FASpell、SpellGCN、Soft-Masked BERT进行了对比。实验结果表明,所提模型的正确率和召回率比FASpell分别提升了24.7、21.6个百分点,比SpellGCN分别提升了22.2、13.7个百分点,比Soft-Masked BERT分别提升了20.8、32.7个百分点。可见该纠错模型能够有效识别安全领域文本的错字,在网络诈骗文本分类、要素提取等下游任务中有较好的效果。

基于时间兴趣因子的网络表示学习图书推荐模型研究

[目的/意义]通过分析图书馆的图书流通数据,本文提出一种基于时间兴趣因子融合网络学习的图书推荐模型--TIF_N2V_CF。[方法/过程]评估用户借阅图书的时间间隔并定义兴趣因子权重,根据流通数据构建同质关系网络;网络表示学习将得到的特征矩阵输入融合推荐模型并得到推荐结果。[结果/结论]实验表明,TIF_N2V_CF模型的召回率在top z=10和z=20时分别为0.1302、0.2031,高于未引入时间兴趣因子的N2V_CF模型。TIF_N2V_CF模型将时间兴趣因子引入到网络表示学习,对融合用户和图书的特征矩阵进行相似度计算,解决图书借阅流通数据中同一时间包含多本图书借阅记录造成的难以序列化的问题,缓解数据稀疏和冷启动对模型性能的影响,提高了推荐精度。

网络表示学习在学者科研合作预测中的应用研究

在大数据环境下,科研合作是提高科研水平、促进科研产出的重要途径。如何在浩如烟海的学者、机构、领域信息中准确地找到与自身研究方向相近的合作对象是近年来科研合作预测的研究重点。本文通过科学学领域科学文献的记录数据,构建作者-作者、机构-机构、作者-机构、作者-关键词、机构-关键词的共现网络,接着通过网络表示方法学习作者、机构、关键词在所处网络中的语境信息,将信息实体表示成相同空间的低维稠密向量,最后根据表示向量的相似度计算实现合作对象、合作领域挖掘。通过网络表示学习方法能实现多种异质信息融合,定量计算各信息实体间的关联强度,可以很好地捕捉科研网络中学者-学者、学者-机构、学者-关键词的关系,准确地为学者挖掘潜在合作者、合作机构和关键词。

一种知识图谱的排序学习个性化推荐算法

推荐系统是解决"信息过载"的有效方法,提出一种知识图谱的排序学习个性化推荐算法.本文算法首先构建融合上下文信息的知识图谱,使用基于深度学习的网络表示方法 Node2Vec抽取知识图谱特征,通过将排序学习模型产生的反馈模型与用户兴趣迁移模型结合,构建混合推荐模型,最终通过排序学习进行Top-N推荐.该算法能够将各种不同性质的上下文特征结合在一起,并通过排序学习衡量这些多维特征的权重比例,解决了不同特征的融合问题,并且能够考虑到用户兴趣迁移和长短期偏好.在Movielens 1M数据集上的对比实验验证文中算法的有效性,实验表明,该算法能够有效提高推荐的P@N和MAP值.

基于文献-关键词双模网络的热点识别方法研究——以数字人文领域为例

[目的/意义]对科技文献进行热点识别研究,有助于学者们准确把握学科发展趋势和前沿问题,为科研政策和人才培养提供理论依据。[方法/过程]引入文献-关键词双模网络,设计一种考虑时间因素、文献引用关系、关键词位置顺序、关键词词频、文献与关键词关联关系的关键词综合影响力模型。利用Node2vec网络表示学习模型将共现网络中的节点映射为向量,采用轮廓系数对K-means、凝聚层次聚类等4种聚类算法进行评估,遴选出最优的聚类算法,结合关键词综合影响力识别热点主题。[结果/结论]选取数字人文领域的期刊文献数据进行实验,结果表明该方法可以较好地识别数字人文领域的前沿热点。

一种基于网络表示学习的miRNA-疾病关联预测方法

针对miRNA-疾病关联研究中信息使用不充分、过于依赖网络中节点的相似度信息以及预测准确度较低的问题,提出一种基于网络表示学习的miRNA-疾病关联预测方法(network representation learning miRNA-disease association,NRLMDA)。该方法通过引入长链非编码RNA(lncRNA)构造出miRNA-lncRNA-疾病异构网络,丰富原有网络的生物学信息;采用网络表征学习node2vec算法在上述提出的异构网络中以一定的游走策略获得节点的近邻序列,并通过skip-gram模型进行深度学习,从而获得节点的低维特征向量;最后基于miRNA-miRNA相似性的关联规则推断方法预测miRNA与疾病的关联。该方法能够挖掘出全局网络的拓扑结构特征,并且不需要负样本。NRLMDA在留一交叉验证和五折交叉验证以及进一步的案例研究上的实验结果优于经典方法。