基于多模态图和对抗哈希注意力网络的跨媒体细粒度表示学习

跨媒体数据搜索中不同媒体类型的数据间存在特征异构和语义鸿沟问题,且社交网络数据往往呈现语义稀疏性、多样性等特性.针对上述问题,文中提出基于多模态图和对抗哈希注意力网络的跨媒体细粒度表示学习模型,获取统一的跨媒体语义表示,应用于社交网络跨媒体搜索.首先,构建图像-单词关联图,并基于图随机游走策略挖掘图像和文本单词间直接语义关联和隐含语义关联,实现语义关系扩展.然后,构建基于跨媒体协同注意力机制的跨媒体细粒度特征学习网络,通过互相指导的跨媒体注意力机制协同学习图像和文本的细粒度语义关联.最后,构建跨媒体对抗哈希网络,联合跨媒体细粒度语义关联学习和对抗哈希学习,获取高效紧凑的跨媒体统一哈希语义表示.实验表明,文中模型在两个公开标准跨媒体数据集上均取得较优的跨媒体搜索性能.

基于细粒度语义推理的跨媒体双路对抗哈希学习模型

跨媒体哈希因其优越的搜索效率和较低的存储成本而在跨媒体搜索任务中受到广泛关注。然而,现有方法无法充分保持多模态数据的高阶语义相关性和多标签语义信息,从而导致学习到的哈希编码的质量下降。为了解决上述问题,提出了基于细粒度语义推理的跨媒体双路对抗哈希(Semantic Reasoning Based Cross-media Dual-way Adversarial Hashing Learning Model, SDAH)学习模型,通过最大程度地挖掘不同模态间的细粒度语义关联,产生紧凑且一致的跨媒体统一高效哈希语义表示。首先,提出了基于跨媒体协同注意力机制的细粒度跨媒体语义关联学习和推理方法,基于跨媒体注意力机制协同学习图像和文本的细粒度隐含语义关联,获取图像和文本的显著性语义推理特征;然后,建立了跨媒体双路对抗哈希网络,通过联合学习模态内和模态间的语义相似性约束,并通过双路对抗学习机制更好地对齐不同模态哈希码的语义分布,产生更高质量和更具判别性的跨媒体统一哈希表示,促进了跨媒体语义融合,提升了跨媒体搜索性能。在两个公开数据集上与现有方法的对比实验结果验证了所提方法在各种跨媒体搜索场景下的优越性能。

科技资源文本层次多标签分类方法

科技资源文本层次多标签分类(hierarchical multi-label text classification,HMTC)用于将科技资源文本分配到一个具有层级结构的标签体系中。提出基于注意力机制的科技资源文本层次多标签分类算法(academic resource text hierarchical multi-label classification based on attention,AHMCA)。通过整合文本、关键词、层次结构等特征构造注意力机制层,对HMCN-F(hierarchical multi-label classification network-feed-forward)网络进行改进,将科技资源文档逐级分类到最相关的类别中。细节上,主要利用word2vec与BiLSTM来获得文本、关键词、层次结构的嵌入向量和隐向量表示;利用层次注意力机制捕获关键词、标签层次结构与文本词向量之间的关联关系来强化重点词向量的权重,从而生成特定于层级的文档嵌入向量,替代HMCN-F中原始的文本嵌入。实验结果验证了AHMCA方法的有效性。

融合负载中心性的科研学者兴趣挖掘算法

在大数据时代,通过论文、专利等数据挖掘出科研学者的兴趣能对学者画像构建、学者交流合作和科研成果分析产生重要作用,然而目前针对科研学者兴趣挖掘的研究工作相对较少,还有很多亟需解决的问题。提出了一种基于负载中心性的科研学者兴趣挖掘算法(load centrality based interest mining algorithm for research scholars,LCBIM),该算法能够针对科研学者论文和专利数据,准确提取科研学者兴趣领域的关键词,利用图聚合的思想来聚合邻域的特征空间以产生高质量的图节点,同时根据语义分析针对相似词或冗余信息进行顶点聚合来简化图结构,然后利用负载中心性原理计算图中节点的权重,分析得出科研学习的兴趣领域。该算法能够在拥有丰富语义信息的论文和专利中挖掘出学者的兴趣点。实验结果表明,提出的基于负载中心性的科研学者兴趣挖掘算法能够在论文和专利语料中快速有效地提取出科研学者的兴趣。

操作系统课程思政探索与实践

为更好地落实《高等学校课程思政建设指导纲要》,在培养学生科学素养和专业能力的同时,强化学生的家国情怀和社会公德意识,对操作系统课程与思想政治教育的融合进行了探索与实践。结合专业特点及操作系统课程知识点,深入挖掘思政元素,组织了89个涉及家国情怀、社会公德及科学观的思政教育案例。通过设计价值引领、知识传授、能力培养三位一体的课程思政教育方案,构建操作系统专业知识与思政教育内容嵌入式有机融合的教学模式,建立产—科—创—教融合的协同育人方法,达成了课程教学目标。教学实践表明,操作系统课程思政取得了良好教学效果,且该课程已入选教育部2021年普通本科教育课程思政示范课程名单。

基于无监督集群级的科技论文异质图节点表示学习方法

科技论文数据的知识表征是一个有待解决的问题,而如何学习科技论文异质网络中论文节点的表示是解决这一问题的核心。文中提出了一种基于无监督集群级的科技论文异质图节点表示学习方法(Unsupervised Cluster-level Scientific Paper Heterogeneous Graph Node Representation Learning Method, UCHL),以获取科技论文异质图中节点(作者、机构与论文等)的表示。基于科技论文异质图表示对整个异质图进行链接预测,获取节点之间边的关系,即论文与论文之间的关联关系。实验结果表明,在真实的科技论文数据集上,所提方法在多项评测指标上都取得了更优的性能。