基于自监督信息增强的图表示学习

针对图表示学习模型依赖具体任务进行特征保留以及节点表示的泛化性有限等问题,本文提出一种基于自监督信息增强的图表示学习模型(Self-Variational Graph Auto Encoder,Self-VGAE)。Self-VGAE首先使用图卷积编码器和节点表示内积解码器构建变分图自编码器(Variational Graph Auto Encoder,VGAE),并对原始图进行特征提取和编码;然后,使用拓扑结构和节点属性生成自监督信息,在模型训练过程中约束节点表示的生成。在多个图分析任务中,Self-VGAE的实验表现均优于当前较为先进的基线模型,表明引入自监督信息能够增强对节点特征相似性和差异性的保留能力以及对拓扑结构的保持、推断能力,并且Self-VGAE具有较强的泛化能力。     

网络表示学习方法研究综述

随着社交网络、科研合作网络和万维网等信息网络的不断发展,具有网络结构的数据呈现爆炸式增长.如何合理地表示网络中的特征信息已成为网络分析的关键问题.网络表示学习(又称为网络嵌入)旨在将网络中的组件(节点、边或子图等)表示成低维的稠密向量,同时最大程度地保留组件在原网络中的信息和属性.由网络表示学习方法得到的表征向量可进一...     

基于自适应邻域和自表示正则的无监督特征选择算法

为了更好地预处理未标记数据,大多数基于图正则的无监督特征选择算法通过构造样本的相似性矩阵来删除冗余信息并选择具有代表性的特征子集.这些方法中的大多数图都是用固定数量的近邻数来初始化,忽略了数据分布不均匀的问题.为了解决这个问题,提出了一种基于自适应邻域和自表示正则的无监督特征选择算法(Adaptive neighbor...     

基于表示学习的情感分析研究

提出一个基于表示学习的文本情感分析模型C&W-SP。首先基于C&W模型的词表示改进训练模型, 实现在词表示训练过程中融入情感信息和词性信息的不同模型设计; 然后利用NLP&CC’2013中的评测数据集, 进行多种模型的实验对比。实验结果表明, 融入情感信息和词性信息的C&W-SP模型性能效果最优, 验证了所提方法的有效性。     

基于变分推断和元路径分解的异质网络表示方法

针对异质网络表示中传统元路径随机游走无法准确描述异质网络结构,不能较好地捕捉网络节点内在的真实分布问题,提出基于变分推断和元路径分解的异质网络表示方法HetVAE.该方法先结合路径相似度的思想,设计了 一种节点选择策略对元路径随机游走进行改进,再通过引入变分理论对原始分布中的潜在变量进行有效采样.最后,通过设计个性化的...     

神经网络专家系统的状态识别,知识表示和求解策略

将神经网络与人工智能技术相结合，提出了１种新型的知识表示的形式化描述和知识单元，知识通过模式分类导入，并用ＩＭＳＢＰ和（Ｂ－Ｂ）ＢＰ调节２种不同类型的权，在此基础上提出了神经网络的双向求解策略，以加炉控制验证了其可行性。     

基于深度特征表示的Softmax聚类算法

图像和语音已成为日常生活和科研的常见数据类型,图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点,并且特征的生成与聚类指派是分步进行的.为此,提出一种基于新颖卷积自编码器的深度Softmax聚类算法(Asymmetric Convolutional Auto-encoder Based Softmax Clustering,ASCAE-Softmax).首先设计一种非对称的卷积自编码器网络结构(ASCAE),通过优化卷积和添加全连接层,使整个网络呈非对称;接着使用Softmax聚类器把特征映射成聚类概率分布,构造辅助目标概率分布,将特征学习与聚类判别联合在一起.通过迭代最小化KL(Kullback-Leibler)散度损失达到清晰的聚类划分.实验结果表明,该方法能够学习出使同类更加紧凑、异类更加稀疏的特征表示,且聚类结果优于经典的深度聚类算法.     

基于深度学习和稀疏表示的害虫识别算法

对农作物害虫种类和数量进行有效的预测是农作物病虫害防治的关键环节,因此基于捕获害虫的样本图片对农作物害虫进行准确的种类识别可以为病虫害的防治提供一定的先验知识.由于农作物害虫种类和形态的多样性及不同种类害虫颜色和纹理的相似性,增加了害虫分类识别的难度.为提高害虫图像识别的准确率,提出了一种基于深度学习和稀疏表示相融合的方法来进行害虫的检测分类识别,进而实现对农作物病虫害的有效防治.该算法首先利用高效的深度学习caffe框架来构建提取害虫特征的网络模型,然后利用该网络模型来提取训练害虫样本的特征向量,从而建立不同种类害虫的超完备字典,最后采用稀疏表示算法来对测试样本进行分类识别.实验部分对10种常见害虫进行了检测识别,实验结果表明新提出的算法有很好的检测分类效果.     

基于属性网络表示学习的链接预测算法

网络链接预测是指通过网络结构信息及节点属性信息等网络历史信息预测2个节点之间产生新的链接关系的可能性。网络链接预测是网络分析的基础任务,在异常检测、推荐系统等方面有重要应用。网络表示学习旨在通过无监督方法,将符号化的数据编码到低维、稠密的向量空间中,从而更好地应用于机器学习任务中。由于真实网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对该问题,文章提出一种基于网络表示学习的属性网络链接预测算法(attributed network embedding based link prediction,ANE-LP)。首先有效提取网络结构信息和节点属性信息,并且通过深度网络结构将网络中各节点表征到低维、稠密向量空间;然后通过相似度度量模型重新定义出邻居节点间的关系;最后在2个真实数据集上进行实验验证。实验结果表明,基于网络特征学习的链接预测算法与其他方法相比更优越。     

基于知识表示学习的公共计算机课程管理研究

为解决假负例和零损失问题, 将 Transformer 网络结构用于提取知识库中的实体描述信息, 用带有约束性的自注意力机制寻找最能表达实体意义的表示子空间以增强实体的表示能力, 引入对抗生成网络思想生成负样本, 提升了知识表示能力。 该方法在公共计算机课程知识图谱的构建中, 清楚描绘了课程知识点间的内在关系, 对于指导课程设置与进度安排, 引导学生学习具有十分重要的意义。     

基于混合改进鸟群算法的贝叶斯网络结构学习

针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.     

基于迁移学习的贝叶斯网络参数学习方法

针对贝叶斯网络参数迁移过程中对源域及目标域限定条件较多等问题,在考虑源域-目标域多种信息形式的情况下,提出一种基于贝叶斯网络参数迁移学习的统一框架.该方法综合考虑了源域结构和数据量在迁移中的作用,在结构相似性的基础上,探讨了备选源域数据量对参数迁移的影响.在迁移过程中引入与目标域数据相关的平衡系数.通过平衡系数将目标域...     

复杂网络上基于多维特征表示学习的推荐算法

网络表示学习可以有效解决推荐面临的数据稀疏问题.本文对网络表示学习中LINE算法和DeepWalk算法进行改进,提出混合推荐算法并应用于电影推荐场景.该算法通过学习用户喜好特征、厌恶特征和相似用户特征,生成三个低维特征向量.将三个低维特征向量线性组合拼接成用户表示向量,以余弦相似度作为相似性指标,将相似用户关联的电影推荐给目标用户,实现电影推荐.实验结果表明,所提出的推荐算法相较于次优算法,在MovieLens数据集上的准确率和F1指标分别提升12%和7%,在MovieTweetings数据集上的准确率和F1指标分别提升16%和18%.本文提出的基于多维特征表示学习的推荐算法在电影推荐类场景中,具有显著的优越性.     

结合表示学习和迁移学习的跨领域情感分类

针对现有跨领域情感分类方法中文本表示特征忽略了重要单词与句子的情感信息, 且在迁移过程中存在负面迁移的问题, 提出一种将文本表示学习与迁移学习算法相结合的跨领域情感分类方法。首先, 利用低维稠密的词向量对文本进行初始化, 通过分层注意力网络, 对文本中重要单词与句子的情感信息进行建模, 从而学习源领域与目标领域的文档级分布式表示。随后, 采用类噪声估计方法, 对源领域中的迁移数据进行检测, 剔除负面迁移样例, 挑选高质量样例来扩充目标领域的训练集。最后, 训练支持向量机对目标领域文本进行情感分类。在大规模公开数据集上进行的两个实验结果表明, 与基准方法相比, 所提方法的均方根误差分别降低1.5%和1.0%, 说明该方法可以有效地提高跨领域情感分类性能。     

基于知识表示学习的协同矩阵分解方法

针对协同过滤算法中用户反馈数据的稀疏性问题,提出一种基于知识库的协同矩阵分解方法.该方法从物品的知识图谱中学习其向量表示,并在此基础上联合地分解反馈矩阵和物品关联度矩阵,两种矩阵共享物品向量,利用物品的语义信息弥补反馈数据的缺失.实验结果表明,该方法显著地提升了矩阵分解模型的推荐效果,在一定程度上解决了协同过滤的冷启动问题.      

复杂网络下基于路径选择的表示学习方法

基于路径和基于知识表示的推理是当前知识图谱领域两大主流推理方法,二者的融合算法可以提高知识推理的准确率,但是依旧存在表示学习的时候效率低下、预测准确率低、模型过拟合等若干问题.本文方法针对这些问题提出了基于路径选择的表示学习方法.对路径特征信息进行进一步的过滤和筛选,保留关键路径,在路径信息和知识表示的结合过程中使用平衡参数对缺失路径信息的三元组进行处理.使用公开数据集对模型进行测试,实验表明模型可以有效提高泛化能力和准确率.     

基于信息技术的英语研究性学习

本文以建构主义学习理论为依据,结合当前英语教学的实际,探索英语研究性学习与网络信息技 术的契合点,尝试大学英语教学中的具体开展,以促进英语学习者的自主探究能力,同时拓展我国外语教学界 的的新角。