检索结果-内蒙古大学图书馆

智能系统学报 2025年第1期20卷 243-254页

作者：肖添龙徐计王国胤贵州大学省部共建公共大数据国家重点实验室贵州贵阳550025 贵州大学计算机科学与技术学院贵州贵阳550025 重庆邮电大学计算智能重庆市重点实验室重庆400065

图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系... 详细信息

图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系的多视图多粒度图表示学习框架(multi-view and multi-granularity graph representation learning based on partial order relationships,MVMGr-PO),它通过从节点特征视图、图结构视图以及全局视图对节点进行综合评分,进而基于节点之间的偏序关系进行下采样操作。相比于其他图表示学习方法,MVMGr-PO可以有效地提取多粒度图结构信息,从而可以更全面地表征图的内在结构和属性。此外,MVMGr-PO可以集成多种图神经网络架构,包括GCN(graph convolutional network)、GAT(graph attention network)以及GraphSAGE(graph sample and aggregate)等。通过在6个数据集上进行实验评估,与现有基线模型相比,MVMGr-PO在分类准确率上有明显提升。

关键词：图神经网络图池化多粒度偏序关系节点分类任务图表示学习半监督学习图嵌入

来源：评论

学校读者我要写书评

暂无评论

基于图表示学习的知识图谱时序推理模型

引用

济南大学学报(自然科学版) 2025年第2期39卷 272-277页

作者：张宇姣徐健吴迪太原师范学院计算机科学与技术学院山西晋中030619 桂林电子科技大学机电工程学院广西桂林541004 哈尔滨工程大学计算机科学与技术学院哈尔滨150001 齐齐哈尔大学计算机与控制工程学院黑龙江齐齐哈尔161006

针对传统知识图谱推理模型在时间关联推理方面的局限性,以及现有模型仅通过在静态知识图谱中加入时间戳组合,而未充分考虑时间序列依赖关系的问题,提出基于图表示学习的知识图谱时序推理(KGTR_GRL)模型;针对图表示学习中的邻居结构信息... 详细信息

针对传统知识图谱推理模型在时间关联推理方面的局限性,以及现有模型仅通过在静态知识图谱中加入时间戳组合,而未充分考虑时间序列依赖关系的问题,提出基于图表示学习的知识图谱时序推理(KGTR_GRL)模型;针对图表示学习中的邻居结构信息,设计多关系图结构编码器,以解决当前大部分研究忽略的节点重要性问题;为了更深入地捕获时间信息,将注意力机制引入到时序编码器中,设计模型时序推理算法,通过解码器计算评分并转换为候选实体的概率;采用2个公开数据集测试模型的性能,并与多个现有模型的性能进行比较。结果表明,KGTR_GRL模型表现出更好的性能,实验中平均倒数排名,预测排名小于或等于1、10的三元组的平均占比指标均优于其他现有模型,证明了考虑多阶邻居特征信息的多关系编码器性能的优越性。

关键词：时序推理时序知识图谱图表示学习图卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

图数据建模与图表示学习方法及其非侵入式负荷监测问题的应用

引用

中国电机工程学报 2022年第17期42卷 6260-6273页

作者：彭秉刚潘振宁余涛邱磊鑫苏晓陈镇煌华南理工大学电力学院广东省广州市510640 广东省电网智能量测与先进计量企业重点实验室广东省广州市510640

非侵入式负荷分解能从家庭总表数据中分解出单个负荷的运行状态,这对用户调节自身用电策略、参与需求侧响应具有重要意义。针对当前负荷分解模型受限于欧式空间下数据的顺序输入,无法准确描述电器不同运行状态之间的时间关联性导致分解... 详细信息

非侵入式负荷分解能从家庭总表数据中分解出单个负荷的运行状态,这对用户调节自身用电策略、参与需求侧响应具有重要意义。针对当前负荷分解模型受限于欧式空间下数据的顺序输入,无法准确描述电器不同运行状态之间的时间关联性导致分解准确度不高的问题,提出一种图数据建模与图表示学习的非侵入式负荷分解方法。首先基于图理论将待分解信号转换为包含节点和边的图数据。其次,设计带残差机制的图卷积网络充分挖掘低采样频率下数据包含的属性特征和时间关联性特征,构建负荷分解的图表示学习。然后,针对模型分解结果缺乏精细化修正策略的问题提出改进的后处理方法,进而全面提升模型的综合性能。最后,使用公开数据集AMPds2和REDD进行验证,结果表明该文方法具有较低的分解误差和较强的泛化性能。

关键词：图数据建模图表示学习非侵入式负荷分解时间关联特性后处理方法

来源：评论

学校读者我要写书评

暂无评论

图表示学习方法在消费金融领域团伙欺诈检测中的研究

引用

中文信息学报 2022年第9期36卷 120-128,138页

作者：傅湘玲闫晨巍赵朋亚宋美琦仵伟强北京邮电大学计算机学院(国家示范性软件学院) 北京100876 北京邮电大学可信分布式与服务教育部重点实验室北京100876 渤海银行股份有限公司天津300204 北京邮电大学-渤海银行智慧银行联合实验室天津300204

消费金融的欺诈检测是学术界和产业界的一个重要问题,现阶段比较流行的做法是利用机器学习方法通过提取用户的固有特征来实现。随着团伙化欺诈的出现,传统的机器学习方法在欺诈用户样本数量小及特征数据不足的情况下,显得无能为力。团... 详细信息

消费金融的欺诈检测是学术界和产业界的一个重要问题,现阶段比较流行的做法是利用机器学习方法通过提取用户的固有特征来实现。随着团伙化欺诈的出现,传统的机器学习方法在欺诈用户样本数量小及特征数据不足的情况下,显得无能为力。团伙欺诈用户之间有很强的关联关系,该文利用用户间的通话数据构建用户关联网络,通过网络统计指标和DeepWalk算法提取用户节点的图特征,充分利用图的拓扑结构信息和邻居节点信息,将其与用户固有特征一起作为特征输入,使用LightGBM模型对上述多种特征进行学习。实验结果表明,采用图表示学习方法后,AUC指标与仅使用用户固有特征相比提高了7.3%。

关键词：欺诈检测团伙欺诈关联网络图表示学习

来源：评论

学校读者我要写书评

暂无评论

图表示学习在中药组合研究中的应用探讨

引用

南京中医药大学学报 2024年第12期40卷 1424-1429页

作者：何佳怡谢佳东胡晨骏杨涛胡孔法南京中医药大学人工智能与信息技术学院江苏南京210023 中国中医科学院中医药信息研究所北京100700 江苏省中医药防治肿瘤协同创新中心江苏南京210023 江苏省智慧中医药健康服务工程研究中心江苏南京210023

近年来,图表示学习方法备受瞩目,它能够有效地处理图结构数据。中药以其多成分、多靶标、多通路的特点,在复杂疾病的治疗中展现出显著优势,特别是中药的不同组合能够产生独特的协同效果。图表示学习为中药组合的深入研究提供了新的视角... 详细信息

近年来,图表示学习方法备受瞩目,它能够有效地处理图结构数据。中药以其多成分、多靶标、多通路的特点,在复杂疾病的治疗中展现出显著优势,特别是中药的不同组合能够产生独特的协同效果。图表示学习为中药组合的深入研究提供了新的视角。介绍了图表示学习的相关方法,论述了当前图表示学习方法在中药组合的应用现状,以及所面临的挑战及相应的解决方案。通过梳理该领域的研究动态和前沿趋势,旨在为后续的深入研究提供有价值的参考和启示。

关键词：中药组合图表示学习图神经网络

来源：评论

学校读者我要写书评

暂无评论

图表示学习综述

引用

北京师范大学学报（自然科学版） 2023年第5期59卷 716-724页

作者：邹然柳杨李聪张怡娇胡延庆南方科技大学理学院统计与数据科学系广东深圳518055 中山大学系统科学与工程学院广东广州510006

鉴于图表示学习是一种将图结构转化为向量表示的方法,探讨了其在社交网络、生物网络、贸易网络和计算机网络等各个领域的应用情况;为了梳理图表示学习的发展历程,用全面的视角了解不同方法以及相关应用,综述了图嵌入和图神经网络这2类... 详细信息

鉴于图表示学习是一种将图结构转化为向量表示的方法,探讨了其在社交网络、生物网络、贸易网络和计算机网络等各个领域的应用情况;为了梳理图表示学习的发展历程,用全面的视角了解不同方法以及相关应用,综述了图嵌入和图神经网络这2类重要的图表示学习的研究进展;详细介绍了其中几个经典的算法;重点阐述了图表示学习在生化医疗领域的应用;深入讨论了图表示学习领域所面临的难点和挑战以及未来可能的研究方向.

关键词：图表示学习图嵌入图神经网络复杂网络

来源：评论

学校读者我要写书评

暂无评论

基于图表示学习和特征引导的电力系统运行场景生成方法

引用

中国电机工程学报 2024年第24期44卷 9521-9532,I0002页

作者：陈志威吴毓峰潘振宁余涛刘前进黄文琦侯佳萱华南理工大学电力学院广东省广州市510641 广东省电网智能量测与先进计量企业重点实验室(华南理工大学) 广东省广州市510641 南方电网数字电网研究院有限公司广东省广州市510700

随着海量新能源接入,电力系统的随机性显著增大,运行场景数据分布弥散且不均匀,导致现有场景生成方法适用性降低。传统依赖于人工经验和模型的场景生成方法更关注于场景的某种特征而忽略场景的数据分布。基于数据驱动场景生成方法则侧... 详细信息

随着海量新能源接入,电力系统的随机性显著增大,运行场景数据分布弥散且不均匀,导致现有场景生成方法适用性降低。传统依赖于人工经验和模型的场景生成方法更关注于场景的某种特征而忽略场景的数据分布。基于数据驱动场景生成方法则侧重于描述场景的数据分布,而一些具有小概率、高风险的运行场景则容易被忽视。基于此,该文首次提出基于图表示学习和特征引导的电力系统运行场景生成方法。首先,以图的形式实现电网运行特征的深度提取和挖掘,提高生成场景的多样性。其次,通过数据和知识融合的方式,将调度人员关注的特征通过知识的形式嵌入模型中,在尽量维持其分布特征的前提下,实现自定义特征引导的运行场景生成。在考虑运行风险的高比例新能源电力系统中的验证结果表明,相比于传统的场景生成方法,提出的模型在生成运行场景的同时提高了指定特征运行场景的生成效率,保持了生成场景一致性的同时提高了场景的多样性,为电力系统调度中机器辅助决策提供了更完备的数据支撑。

关键词：图表示学习生成式对抗网络特征引导调度场景生成

来源：评论

学校读者我要写书评

暂无评论

基于局部优化的图表示学习增强

引用

计算机研究与发展 2023年第9期60卷 2080-2095页

作者：唐正正汪洋洪学海班艳姚铁锤乔子越中国科学院计算机网络信息中心信息化发展战略与评估中心北京100190 中国科学院大学计算机科学与技术学院北京100049 中国科学院计算技术研究所信息技术战略研究中心北京100190

随着图表示学习在多个领域的成功应用,针对不同图数据和问题而设计的图表示学习方法爆发式增长.然而,图噪声的存在限制了图表示学习的能力.为有效降低图网络中的噪声比例,首先分析了图节点局部邻接的分布特性,并理论证明在局部邻接拓扑... 详细信息

随着图表示学习在多个领域的成功应用,针对不同图数据和问题而设计的图表示学习方法爆发式增长.然而,图噪声的存在限制了图表示学习的能力.为有效降低图网络中的噪声比例,首先分析了图节点局部邻接的分布特性,并理论证明在局部邻接拓扑构建时,探索高阶邻近信息能够优化增强图表示学习的性能.其次,提出“2步骤”局部子图优化策略(local subgraph optimization strategy,LSOS).该策略首先根据原始图拓扑结构信息构造出具有多阶信息的局部邻接相似矩阵.然后基于相似矩阵和图节点局部信息,对图节点进行局部子图的结构优化.通过局部邻接的合理重构来降低网络中的噪声比例,进而达到图表示学习能力的增强.在节点分类、链接预测和社区发现3类任务的实验中,结果表明局部子图优化策略能够提升8个基线算法的性能.其中,在3个航空网络的节点分类任务中,提升效果最高分别达到23.11%,41.58%,24.16%.

关键词：图表示学习图噪声节点分类链接预测社区发现

来源：评论

学校读者我要写书评

暂无评论

基于图表示学习的会话感知推荐模型

引用

计算机研究与发展 2020年第3期57卷 590-603页

作者：曾义夫牟其林周乐蓝天刘峤电子科技大学信息与软件工程学院成都610054 提升政府治理能力大数据应用技术国家工程实验室(中电科大数据研究院有限公司) 贵阳550022 中电科大数据研究院有限公司贵阳550022

根据历史记录预测用户的下一次点击(即基于会话的推荐)是推荐系统中一个重要的子任务.重点研究会话推荐中如何在不牺牲预测准确性的情况下缓解用户的兴趣漂移问题,提高用户满意度.基本思想是从全局统计的角度出发,建立一个用于表示物品... 详细信息

根据历史记录预测用户的下一次点击(即基于会话的推荐)是推荐系统中一个重要的子任务.重点研究会话推荐中如何在不牺牲预测准确性的情况下缓解用户的兴趣漂移问题,提高用户满意度.基本思想是从全局统计的角度出发,建立一个用于表示物品先后点击顺序的物品依赖关系图,据此提出一种图表示学习算法,生成可以保留关联物品间复杂关联关系的物品向量表达,最后,基于长短期记忆机制,将物品向量表达作为“固定”输入,从而构建一个可以同时捕捉用户长期兴趣和短期兴趣的会话感知推荐模型.不同于其他相关工作,首次提出将下一次点击预测模型建立在“固定”物品表达的基础上.在公开数据集上的实验结果表明:提出的推荐模型在预测准确性和推荐多样新颖性上的表现优于其他相关方法.

关键词：基于会话的推荐系统行为建模图表示学习用户兴趣神经网络

来源：评论

学校读者我要写书评

暂无评论

HSEGRL:一种分层可自解释的图表示学习模型

引用

计算机研究与发展 2024年第8期61卷 1993-2007页

作者：李平宋舒寒张园曹华伟叶笑春唐志敏处理器芯片全国重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学北京100049 中国科学院大学南京学院南京211135

近年来,随着图神经网络(graph neural network,GNN)技术在社交、信息、化学、生物等领域的广泛应用,GNN可解释性也受到广泛的关注.然而,现有的解释方法无法捕获层次化的解释信息,同时,这些层次信息未能被充分利用以提升图分类任务的准确... 详细信息

近年来,随着图神经网络(graph neural network,GNN)技术在社交、信息、化学、生物等领域的广泛应用,GNN可解释性也受到广泛的关注.然而,现有的解释方法无法捕获层次化的解释信息,同时,这些层次信息未能被充分利用以提升图分类任务的准确率.基于这一问题,提出了一种层次化自解释的图表示学习(hierarchical self-explanation graph representation learning,HSEGRL)模型,该模型通过发现图结构中的层次信息进行图分类预测的同时,输出层次化的模型自解释结果.具体而言,针对图层次信息的发现设计了提取信息的基本单元——解释子,该解释子由提取节点特征的编码器获取层次化解释感知子图的池化层和抽取高阶解释信息的解码器组成.其中,为了准确提取层次化的解释子图,针对该模型的池化操作进行了解释感知优化设计,该设计通过评估模型的拓扑及特征重要性,层次化地筛选解释子图,实现分层自解释的同时完成图分类任务.HSEGRL是一个功能完备且便于迁移的图表示学习自解释模型,可以层次化综合考虑模型的拓扑信息与节点特征信息.在模型有效性验证层面,分别在分子、蛋白质和社交数据集上进行大量实验,实验结果表明所提模型在图分类任务中的分类准确率高于已有的先进的GNN自解释模型和GNN模型,并通过可视化分层解释结果的信息证明了该解释方法可信.

关键词：图表示学习图神经网络可自解释模型图拓扑消息传递机制

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：