生物标志物智能识别关键技术:环状RNA与疾病关联预测研究综述

生物标志物识别是实现“精准医疗”的一大基础,其对复杂疾病诊断、判断疾病分期及评价新药或新疗法在目标人群中的安全性和有效性具有重要作用。作为生物标志物智能识别关键技术,环状RNA与疾病关联预测是深入评测和衡量被试个体生物学过程、病理学过程及干预病理学反应的关键,是践行“精准医疗”的有效手段和途径之一。文中对基于生物大数据挖掘的环状RNA-疾病关联预测计算模型进行了全面梳理和展望。具体地,首先从环状RNA的研究背景、理化特性、功能等方面探讨了环状RNA与疾病之间的关系;然后调研了环状RNA和疾病公共数据库资源;接着从智能计算的角度梳理了环状RNA-疾病关联预测的4类计算方法,并分析了其优势与不足;最后讨论了环状RNA-疾病关联预测问题目前面临的挑战和未来可能的研究方向。

HAO打卡系统:以组织智能成就智能组织

打卡可能出于私人目的,没有组织关联,比如记录个人的旅行日志;也可能是公事需求,属于组织考勤的一部分,有时还会与多个组织关联.因此,打卡数据的保存、分享和分析需要精细化管理.HAO打卡是一个移动式轻量级打卡平台,以个人和组织为两个抓手,以人类智能(HI)、人工智能(AI)和组织智能(OI)相结合的HAO智能为技术驱动,构建HAO打卡知识图谱,通过提出HAO打卡闭环权限管理架构,并辅以从粗粒度到细粒度的隐私权限管理办法,在进行精细化考勤管理的同时保护用户的隐私,从而推动新一代打卡系统的智能化变革.在组织考勤分析方面,提出四要素得分法和四要素考勤报表法,通过打卡数据计算员工考勤得分,生成精准全面的考勤报表,为组织提供决策支持,激发组织和个人的活力,以组织智能成就智能组织.

教育大数据中认知跟踪模型研究进展

教育信息化的不断推进和在线教育的蓬勃发展产生了海量的教育数据,如何挖掘和分析教育大数据成为了教育领域和大数据知识工程领域亟待解决的问题.认知跟踪模型通过获取学生作答习题的得分表现,追踪学生随时间变化的认知状态,从而预测学生在未来时间的作答表现.对教育大数据中认知跟踪模型进行了回顾、分析和展望.首先从模型的原理、步骤和方法等维度详细介绍了认知跟踪模型,包括基于贝叶斯方法和深度学习方法2类认知跟踪模型.同时,从学生作答表现预测、认知状态评估、心理因素分析、习题序列分析和编程练习5个方面阐述认知跟踪模型的应用情景.最后,以经典的贝叶斯认知跟踪模型和深度认知跟踪模型为例分析了2类模型的优缺点,并探讨和展望认知跟踪模型未来可能的研究方向.

数据治理技术

随着信息技术的普及,人类产生的数据量正在以指数级的速度增长,如此海量的数据就要求利用新的方法来管理.数据治理是将一个机构(企业或政府部门)的数据作为战略资产来管理,需要从数据收集到处理应用的一套管理机制,以期提高数据质量,实现广泛的数据共享,最终实现数据价值最大化.目前,各行各业对大数据的研究比较火热,但对于大数据治理的研究还处于起步阶段,一个组织的正确决策离不开良好的数据治理.首先介绍数据治理和大数据治理的概念、发展以及应用的必要性;其次,对已有的数据治理技术数据规范、数据清洗、数据交换和数据集成进行具体的分析,并介绍了数据治理成熟度和数据治理框架设计;在此基础上,提出了大数据 HAO 治理模型.该模型以支持人类智能(HI)、人工智能(AI)和组织智能(OI)的三者协同为目标,再以公安的数据治理为例介绍HAO 治理的应用;最后是对数据治理的总结和展望.

碎片化家谱数据的融合技术

家谱数据是典型的碎片化数据,具有海量、多源、异构、自治的特点.通过数据融合技术将互联网中零散分布的家谱数据融合成一个全面、准确的家谱数据库,有利于针对家谱数据进行知识挖掘和推理,从而为用户提供姓氏起源、姓氏变迁和姓氏间关联等隐含信息.在大数据知识工程BigKE模型的基础上,提出了一个结合HAO智能模型的碎片化数据融合框架FDF-HAO(fragmented data fusion with human intelligence,artificial intelligence and organizational intelligence),阐述了架构中每层的作用、关键技术和需要解决的问题,并以家谱数据为例,验证了该数据融合框架的有效性.最后,对碎片化数据融合的前景进行展望.

自动词语简化方法综述

自动词语简化是用简单、同等意义的词语替代句子中复杂词的过程,是文本简化中的一个重要研究方向。随着自然语言处理技术的快速发展,词语简化方法也在不断更新与变化。该文对词语简化方法的相关研究进行了梳理,先对词语简化的整体框架进行解释,然后将词语简化方法总结为语言数据库、自动规则、词嵌入模型、混合模型和预处理语言模型。接着对汉语词语简化研究所面临的难点进行论述。最后,对词语简化方法的发展方向进行了展望和总结。