深度学习赋能网络安全知识图谱实体关系联合抽取研究

文中研究了知识图谱中关于实体关系联合抽取方式,解决流水线抽取方式的误差传播、效率低下及关系重叠的问题,设计了网络安全本体模型,提出基于深度学习的Seq2Seq联合抽取模型,编码层通过BERT-WWM和双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)模型获取上下文语义表示,并融合多头注意力机制突显文本中的重要单词,解码层通过指针网络输出序列标注,从而获取头实体、关系及尾实体。以自标注的数据集为语料,通过TensorFlow框架建模,对实体和关系抽取的质量进行评估。结果表明,模型的精确率、召回率和F1值均较高,验证了联合抽取模型的有效性,最后通过Neo4j图数据库构建并可视化知识图谱。     

基于深度学习的高中物理教学活动重构的课例研究——以“磁场对电流的作用左手定则”教学为例

基于深度学习相关理论,以“磁场对电流的作用左手定则”为例,从“引领性学习主题”“素养导向的学习目标”“持续性评价”“挑战性学习任务/活动”四要素着手,重构了教学活动,经过实践达成了预设的学科核心素养的目标.     

基于层间互信息的时序网络节点重要性识别方法

社交网络中重要节点发现对于控制舆论传播、社交影响力最大化等有重要意义。本文结合信息传播相关理论,提出了一种基于层间互信息的时序网络节点重要性识别方法。通过设计一种层间节点连边变化概率的计算模型,进而求解时序网络节点的层间信息熵和以层间互信息量化的相关性系数,再结合特征向量中心性对节点进行重要性度量。在真实时序网络数据集上进行实验,相比经典方法,本方法在时序网络的节点重要性度量上更有优势。