检索结果-内蒙古大学图书馆

地球信息科学学报 2025年第3期27卷 682-697页

作者：赵今朝魏志成河北师范大学计算机与网络空间安全学院石家庄050024 河北省网络与信息安全重点实验室石家庄050024 供应链大数据分析与数据安全河北省工程研究中心石家庄050024

【目的】城市交通流量预测对智能交通系统至关重要。传统方法常将路网划分为栅格进行区域预测,但忽略了道路间的关联,导致预测结果无法准确反映交通流变化。基于道路段数据的方法虽能捕捉道路间的空间联系,却面临轨迹映射时数据冗余、... 详细信息

【目的】城市交通流量预测对智能交通系统至关重要。传统方法常将路网划分为栅格进行区域预测,但忽略了道路间的关联,导致预测结果无法准确反映交通流变化。基于道路段数据的方法虽能捕捉道路间的空间联系,却面临轨迹映射时数据冗余、轨迹错配和数据稀疏等问题。【方法】为了解决这些问题,本文提出了一种用于道路级稀疏交通流预测的注意力时空神经网络(ASTNN)模型。模型首先对轨迹数据做预处理和基于隐马尔可夫模型(HMM)的地图匹配,得到各道路段的交通流数据;并采用面向路网的自适应紧凑二维图像表示方法,将路网表示为以道路段为像素点的二维图像。在分析交通流时空特征的基础上,提出了两种新的注意力时空模块:注意力时空记忆块(ASTM block)和注意力时空聚焦块(ASTF block),分别用于时间相关性挖掘和空间稀疏特征提取。基于这2个模块,并融合外部信息,构造了ASTNN模型实现道路级交通流预测。【结果】本研究以成都出租车轨迹数据为研究对象,在成都市三环区域内的五级路网中,完成了轨迹数据的预处理和流量的映射,并对流量预测模型进行了验证。结果显示,本文所提出的数据处理方法可使轨迹与路网匹配时间降低73.6%。在与CNN、ConvLSTM、GRU、STNN等现有方法的对比实验中,本文方法在RMSE、MAE以及R^(2)等指标上均取得了最优的预测准确度。在此基础上,进一步验证了在ASTNN中引入温度信息对提高预测准确度的显著作用,为模型性能优化提供了新的思路。【结论】本研究提出的ASTNN模型为城市道路级稀疏交通流预测提供了可行的实施思路和技术路线。

关键词：道路级交通流预测轨迹匹配路网图像稀疏数据时空注意力多尺度卷积

来源：评论

学校读者我要写书评

暂无评论

基于自编码器及对比损失的图聚类方法

引用

南京师大学报(自然科学版) 2025年第1期48卷 75-84页

作者：王静红王慧袁绰河北师范大学计算机与网络空间安全学院河北石家庄050024 河北省网络与信息安全重点实验室河北石家庄050024 供应链大数据分析与数据安全河北省工程研究中心河北石家庄050024 河北工程技术学院河北石家庄050020

图聚类根据图数据的内在关系找到组或社区,是数据分析中一项重要的研究问题.近年来,基于自编码器的方法能够获得有效节点属性表示,但未融合结构信息.由于图神经网络的广泛应用,基于半监督图卷积网络和图自编码器的模型能够融合结构信息... 详细信息

图聚类根据图数据的内在关系找到组或社区,是数据分析中一项重要的研究问题.近年来,基于自编码器的方法能够获得有效节点属性表示,但未融合结构信息.由于图神经网络的广泛应用,基于半监督图卷积网络和图自编码器的模型能够融合结构信息,与传统聚类方法相比取得了较好的效果,但标记数据和卷积操作代价昂贵.因此,本文提出了一种基于自编码器及对比损失的图聚类方法.首先该方法使用简单的多层感知器设计自编码器,预训练自编码器学习节点属性表示.其次结合影响对比损失学习图嵌入表示,融合丰富的图结构信息,然后同时迭代优化嵌入表示和自监督聚类任务.最后,使用多个引文网络数据集与基准模型进行对比实验.实验表明,聚类性能得到有效提升,并且参数敏感性分析和变体实验验证了影响对比损失和自监督聚类的有效性.

关键词：图聚类自编码器影响对比损失图嵌入自监督聚类

来源：评论

学校读者我要写书评

暂无评论

基于自然邻居搜索优化策略的密度峰值聚类算法

引用

山东大学学报(理学版) 2025年第1期60卷 29-44页

作者：张春昊解滨徐童童张喜梅河北师范大学计算机与网络空间安全学院河北石家庄050024 供应链大数据分析与数据安全河北省工程研究中心(河北师范大学) 河北石家庄050024 河北省网络与信息安全重点实验室(河北师范大学) 河北石家庄050024

结合自然邻居搜索算法改进了密度峰值聚类(clustering by fast search and find of density peaks,CFSFDP)算法存在的一系列问题,提出基于自然邻居搜索优化策略的密度峰值聚类(density peak clustering algorithm optimized by natural neighbor search,NaN-CFSFDP)算法。基于自然邻居搜索算法提出了一种离群样本的检测方法,针对CFSFDP算法中截断距离d_(c)人工准确取值较难的问题,结合自然邻居搜索算法改进了d_(c)的计算方式,实现了d_(c)的自动取值。重新设计并统一了CFSFDP算法的样本密度度量规则,使其更关注每个样本的局部信息。由于数据集中因类簇间的密度差异大,密度峰值点集中于稠密簇使得簇丢失,因此提出样本共享自然邻居和类簇共享自然邻居的概念,构造新的类簇融合算法。合成数据集和真实数据集上的实验结果表明,在大多数情况下,NaN-CFSFDP算法在聚类性能上优于或至少与比较方法相当,且与CFSFDP算法及其改进算法相比参数更少。

关键词：密度峰值自然邻居聚类类簇融合离群样本截断距离

来源：评论

学校读者我要写书评

暂无评论

基于结构学习和自监督图注意力的网络表示学习

引用

山西大学学报(自然科学版) 2025年第1期48卷 29-42页

作者：王静红郑瑞策米据生李昊康河北师范大学计算机与网络空间安全学院河北师范大学河北省网络与信息安全重点实验室供应链大数据分析与数据安全河北省工程研究中心河北师范大学数学科学学院河北工程技术学院人工智能与大数据学院

网络表示学习是网络分析任务的基础，对于挖掘和分析真实网络数据具有重大意义。最近，图注意力网络（Graph Attention Networks, GAT）及其后续变体，在网络表示学习中表现出了卓越的性能。但是基于注意力的方法存在以下局限性：（1）... 详细信息

网络表示学习是网络分析任务的基础，对于挖掘和分析真实网络数据具有重大意义。最近，图注意力网络（Graph Attention Networks, GAT）及其后续变体，在网络表示学习中表现出了卓越的性能。但是基于注意力的方法存在以下局限性：（1）只考虑节点的一阶邻居信息，忽略了高阶邻居节点。（2）模型缺乏可解释性。（3）没有考虑到图中噪声边问题。为解决这些问题，本文提出了一种基于结构学习和自监督图注意力的网络嵌入模型（Structural Learning-based Self-supervised Graph Attention Network,SL-SGAT），融合节点特征与结构信息，降低噪声边干扰，提升模型可解释性。SL-SGAT主要包含三部分：图结构学习、自监督注意力机制和特征聚合。图结构学习构建全局图结构网络。自监督注意力机制设置一个自监督关系预测任务，加入噪声边损失。特征聚合利用注意力系数进行加权聚合，得到最终的节点嵌入表示。本文所提模型在Cora、Citeseer和Pubmed三个数据集上进行节点分类实验，准确率分别为84.4%、74.4%、81.5%，与表现优异的GAT及后续变体模型相比，分别提高1.4%、2.9%、3.2%；在节点聚类实验中，聚类精度分别提高3.3%、3.4%、1.2%。可见，我们提出的算法可以得到更好的嵌入结果。

关键词：网络表示学习图注意力网络自监督学习图结构学习节点分类

来源：评论

学校读者我要写书评

暂无评论

基于可微知识图谱的多跳知识库问答

引用

计算机科学 2025年第3期52卷 295-305页

作者：魏谦强赵书良张思漫河北师范大学计算机与网络空间安全学院石家庄050024 供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北省网络与信息安全重点实验室石家庄050024 海南师范大学教育学院海口571158

知识库问答是一个具有挑战性的热门研究方向。目前,基于嵌入的方法通过隐式推理得到问题的答案而不能产生完整的推理路径,基于可微知识图谱的模型只需要将问题答案对作为弱监督信号就可以产生可解释的结果。基于可微知识图谱,提出了一... 详细信息

知识库问答是一个具有挑战性的热门研究方向。目前,基于嵌入的方法通过隐式推理得到问题的答案而不能产生完整的推理路径,基于可微知识图谱的模型只需要将问题答案对作为弱监督信号就可以产生可解释的结果。基于可微知识图谱,提出了一个端到端编码器-解码器模型。编码器使用多头注意力机制和LSTM对问题进行细粒度顺序建模,生成能更好地表示问题每一跳语义特征的查询向量;解码器使用前馈神经网络实现问题多跳推理的注意力机制,能更好地表示问题每一跳在整个问题中的权重。所提模型解决了以前粗粒度非顺序建模方法存在的信息丢失问题。在5个数据集MetaQA-1hop,MetaQA-2hop,MetaQA-3hop,WebQSP和CWQ上进行实验,模型分别取得了97.5%,100%,100%,77.8%和51.4%的准确率。消融实验表明,各个模块都对模型整体性能的提高有贡献。

关键词：多跳知识库问答可微知识图谱编码器-解码器

来源：评论

学校读者我要写书评

暂无评论

结合双流特征融合及对抗学习的图像显著性检测

引用

计算机辅助设计与图形学学报 2021年第3期33卷 376-384页

作者：张艺涵张朝晖霍丽娜解滨王秀青河北师范大学计算机与网络空间安全学院石家庄050024 河北省供应链大数据分析与数据安全工程研究中心石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024

为实现图像显著区域或目标的低级特征与语义信息有意义的结合,以获取结构更完整、边界更清晰的显著性检测结果,提出一种结合双流特征融合及对抗学习的彩色图像显著性检测(SaTSAL)算法.首先,以VGG-16和Res2Net-50为双流异构主干网络,实... 详细信息

为实现图像显著区域或目标的低级特征与语义信息有意义的结合,以获取结构更完整、边界更清晰的显著性检测结果,提出一种结合双流特征融合及对抗学习的彩色图像显著性检测(SaTSAL)算法.首先,以VGG-16和Res2Net-50为双流异构主干网络,实现自底向上、不同级别的特征提取;之后,分别针对每个流结构,将相同级别的特征图送入卷积塔模块,以增强级内特征图的多尺度信息;进一步,采用自顶向下、跨流特征图逐级侧向融合方式生成显著图;最后,在条件生成对抗网络的主体框架下,利用对抗学习提升显著性检测结果与显著目标的结构相似性.以P-R曲线、F-measure、平均绝对误差、S-measure为评价指标,在ECSSD,PASCAL-S,DUT-OMRON以及DUTS-test 4个公开数据集上与其他10种基于深度学习的显著性检测算法的对比实验表明,SaTSAL算法优于其他大部分算法.

关键词：显著性检测双流特征融合对抗学习卷积塔条件生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

预训练语言模型特征增强的多跳知识库问答

引用

计算机工程与应用 2024年第22期60卷 184-196页

作者：魏谦强赵书良卢丹琦贾晓文杨世龙河北师范大学计算机与网络空间安全学院石家庄050024 供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北省网络与信息安全重点实验室石家庄050024

知识库问答(knowledge base question answering,KBQA)是一个具有挑战性的热门研究方向,多跳知识库问答主要的挑战是非结构化的自然语言问题与结构化的知识库推理路径存在不一致性,基于图检索的多跳知识库问答模型善于把握图的拓扑结构... 详细信息

知识库问答(knowledge base question answering,KBQA)是一个具有挑战性的热门研究方向,多跳知识库问答主要的挑战是非结构化的自然语言问题与结构化的知识库推理路径存在不一致性,基于图检索的多跳知识库问答模型善于把握图的拓扑结构,但忽略了图中结点和边携带的文本信息。为了充分学习知识库三元组的文本信息,构造了知识库三元组的文本形式,并提出了三个基于非图检索的特征增强模型RBERT、CBERT、GBERT,它们分别使用前馈神经网络、深层金字塔卷积网络、图注意力网络增强特征。三个模型显著提高了特征表示能力和问答准确率,其中RBERT结构最简单,CBERT训练最快,GBERT性能最优。在数据集MetaQA、WebQSP和CWQ上进行实验对比,在Hits@1和F1两个指标上三个模型明显优于目前的主流模型,也明显优于其他BERT的改进模型。

关键词：多跳知识库问答预训练语言模型特征增强

来源：评论

学校读者我要写书评

暂无评论

自监督对比的属性图联合表示聚类

引用

计算机工程与应用 2024年第16期60卷 133-142页

作者：王静红王慧河北师范大学计算机与网络空间安全学院石家庄050024 河北省网络与信息安全重点实验室石家庄050024 供应链大数据分析与数据安全河北省工程研究中心石家庄050024

现实世界中越来越多的复杂数据被表示为具有属性节点的图,因此属性图聚类是图挖掘中的一个重要问题。图神经网络在图结构数据的编码表示方面取得较好性能,但基于卷积操作或者注意力机制的图神经网络方法存在节点噪声、特征过度平滑、网... 详细信息

现实世界中越来越多的复杂数据被表示为具有属性节点的图,因此属性图聚类是图挖掘中的一个重要问题。图神经网络在图结构数据的编码表示方面取得较好性能,但基于卷积操作或者注意力机制的图神经网络方法存在节点噪声、特征过度平滑、网络异质性、计算代价高昂等问题。基于深度学习方法如自编码器能够有效地提取节点属性表示,但不能包含丰富结构信息。因此提出了一种基于自监督训练和对比学习的图联合表示聚类方法(self-supervised contrastive graph joint representation clustering,SCRC)。使用自编码器预训练学习节点的属性表示,通过在图结构信息上增加对比损失信息,使用影响对比损失融合更加丰富的结构信息,联合图结构信息和属性表示,基于神经网络自监督训练机制迭代优化完成聚类任务。通过设计简单的线性模型,避免使用卷积和注意力机制,有效整合结构信息,使得运行速度更快。在广泛使用的引文网络数据上进行实验,对参数敏感性进行分析,验证了影响对比损失和自监督联合聚类的有效性。实验结果表明,所提出的方法取得了显著的性能提升,并且对节点噪声、特征过度平滑和网络异质性更具有鲁棒性。

关键词：属性图聚类自监督训练对比学习自编码器联合表示学习

来源：评论

学校读者我要写书评

暂无评论

基于Transformer的网络安全态势预测

引用

华中科技大学学报（自然科学版） 2022年第5期50卷 46-52页

作者：赵冬梅李志坚河北师范大学计算机与网络空间安全学院河北石家庄050024 河北师范大学河北省网络与信息安全重点实验室河北石家庄050024 河北师范大学河北省供应链大数据分析与数据安全工程研究中心河北石家庄050024

针对当下网络安全态势预测准确率低的问题,将Transformer用于网络安全态势预测.首先,引入门控循环单元(GRU)来降低样本特征的维度,维度的下降有利于减少训练Transformer的代价和缓解Transformer过拟合问题;然后,将降维后的特征输入Trans... 详细信息

针对当下网络安全态势预测准确率低的问题,将Transformer用于网络安全态势预测.首先,引入门控循环单元(GRU)来降低样本特征的维度,维度的下降有利于减少训练Transformer的代价和缓解Transformer过拟合问题;然后,将降维后的特征输入Transformer层,通过编码器提取具有时序关系的特征;最后,使用全局平均池化处理提取的特征,以减少全连接层的参数量,减缓过拟合问题.在两个网络安全数据集上的实验表明:该方法可以降低训练时间,并且在准确率、精确率和F1值三个指标上的综合表现优于其他方法.

关键词：网络安全态势预测 Transformer 门控循环单元(GRU) 降维

来源：评论

学校读者我要写书评

暂无评论

基于图文知识融合的常识问答模型

引用

计算机科学 2024年

作者：蔡瑞祥赵书良何家瑶河北师范大学计算机与网络空间安全学院供应链大数据分析与数据安全河北省工程研究中心河北省网络与信息安全重点实验室

知识图谱在常识性问答中展现出了显著的成效。现有的方法通常利用问题中的实体来从知识图谱(KG)中检索局部子图，然后对其使用图神经网络(GNN)进行编码；随后将GNN编码的结果与语言模型(LMs)相结合，以进行答案的推理和问题的回答。然... 详细信息

知识图谱在常识性问答中展现出了显著的成效。现有的方法通常利用问题中的实体来从知识图谱(KG)中检索局部子图，然后对其使用图神经网络(GNN)进行编码；随后将GNN编码的结果与语言模型(LMs)相结合，以进行答案的推理和问题的回答。然而，使用GNN和LMs的常识问答系统存在两个挑战：(1)如何高效地提取知识图谱中的子图，对其知识与结构信息进行有效的表示和利用；(2)如何实现问题上下文与子图知识的深度融合与联合推理。本文提出了一个基于图文知识融合的常识问答模型(Graph-TextIntegratingforCommonsenseQuestionAnswering，GTICQA)，该模型首先通过外部词典过滤精炼出关键实体，实现对知识子图的剪枝，然后分别使用LM对问题上下文进行编码，GNN编码器对精炼后的知识子图进行编码。同时在子图编码的过程中，引入了一个新的k稀疏注意力机制增强对子图全局特征的提取并抑制噪声。最后使用一种包括细粒度双模态交互融合层和均值交互融合层的知识融合方法，对两种知识表示进行深度融合与动态更新。本文在CommonsenseQA、OpenBookQA和MedQA-USMLE三个数据集上对GTICQA进行了评估，分别以79.12%、72.20%和39.40%的准确率超越了现有最佳方法，表明了模型在处理常识性问答上的优势。

关键词：常识性问答多项选择问答知识融合知识图谱语言模型

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：