【摘 要】
:
网络数据可以表达出物与物之间的联系,随着互联网的兴起,生活中充斥着形式各样的网络数据。在关于网络的研究中,如何有效的对网络信息进行表示,是一个亟待解决的问题。传统方法可以利用高维度稀疏向量表示网络中的一个节点,但局限在于难以度量节点之间的相似性并且还会增大模型的时间和空间复杂度。受益于自然语言领域的表示学习技术,相关的低维度稠密向量表示方法也被应用于网络数据中。网络表征学习(图嵌入)在一系列机器学
论文部分内容阅读
网络数据可以表达出物与物之间的联系,随着互联网的兴起,生活中充斥着形式各样的网络数据。在关于网络的研究中,如何有效的对网络信息进行表示,是一个亟待解决的问题。传统方法可以利用高维度稀疏向量表示网络中的一个节点,但局限在于难以度量节点之间的相似性并且还会增大模型的时间和空间复杂度。受益于自然语言领域的表示学习技术,相关的低维度稠密向量表示方法也被应用于网络数据中。网络表征学习(图嵌入)在一系列机器学习任务中发挥着重要作用,网络表征是用低维稠密的向量来表示网络中的节点或整个网络。传统的网络表征主要针对于静态网络,即固定不变的网络。然而,生活中的网络多数是动态变化的,即随着时间的流逝,网络中不断伴随着信息的变化,包括节点本身性质的改变、节点数量的增减、节点之间边的增减以及边的属性信息变化。根据数据集形式的不同,对动态网络的研究主要划分为:面向静态快照的动态网络表征和面向时序网络的动态网络表征。根据动态网络规模的大小,还可以将网络划分为:小规模动态网络表征和大规模动态网络表征。网络表征又可以根据表征的对象划分为:针对单个节点的动态网络表征和针对整体网络的动态网络表征。本文基于静态快照的形式对网络的拓扑结构变化、大规模网络以及网络整体表征提出了三种动态网络表征方法。第一,本文提出了一种新的基于图神经网络、双重影响因子和自注意力机制的方法GISA(Graph Influence Self-Attention)来学习拓扑结构变化的动态网络表征。本文首先使用图神经网络去捕捉图结构信息,接着提出两种影响因子分别衡量时间影响和信息剧变影响。最后引入一个时序注意力网络,使其捕捉动态网络时间变化信息。第二,本文提出了一种新的基于采样和聚合的方法Sage RNN(Sampling and Aggregating and Recurrent Neural Networks),用来进行大规模动态网络的表征学习。网络数据的大规模爆发导致如今的网络结构非常的庞大。采用传统方法对大规模网络进行表征学习,将会导致模型的计算代价非常大。Sage RNN通过对大规模网络中的节点邻居进行采样,减少模型的计算量,但是不同于随机采样,Sage RNN采用了一种节点优先采样方式,能极大的保留邻居节点信息,从而极大的保留网络局部结构。接着,Sage RNN提出了一种新颖的聚合方式,能够很好的聚合邻居信息。最后,本文将捕捉了网络结构信息的节点表征送入循环神经网络中,以此来捕捉时间变化信息。第三,本文提出了一种新的基于子图采样,子图编码,子图池化和循环神经网络的方法SEPR(Sampling,Encode,Pooling,Recurrent),用来学习整体网络的动态网络表征。SEPR首先对给定的一个网络进行采样,采样得到一系列子图,接着对这些子图进行编码,得到子图的特征向量,并对全部子图向量进行池化得到网络表征。最后,通过一个循环神经网络去获取网络的变化过程。
其他文献
长非编码RNAs(lncRNAs)的异常表达通常与人类各种疾病相关,因此预测与疾病相关的lncRNAs有益于阐明复杂的疾病发病机理,为疾病的诊断和预防提供依据。然而,利用生物学实验筛选疾病的候选lncRNAs存在实验环境要求高和时间成本高等诸多不利因素。计算机科学技术与生物信息学相结合的方式来预测lncRNA-疾病关联可以降低实验成本。因此,研究lncRNA与疾病之间的关联关系是一个有意义的课题,
近年来,随着艺术市场的快速发展,艺术策展人受到业界和学界的重视。策展人才培养在国内多个高校已经开始实施。南京艺术学院开设本科策展课程多年,于2021年开始培养专业硕士艺术策展方向人才。在情境学习理论的指导下,南京艺术学院逐渐形成了以“执行—积累—创作”为递进式线索的专业硕士艺术策展方向人才培养模式。
近年来,随着人工智能领域的发展和技术的不断成熟,深度学习被广泛应用到各个领域,计算机科学与许多其他学科领域之间产生了越来越多的交叉应用,深度学习算法也在各方面扮演着重要的作用,而其中以人工智能方法来设计生成全新的分子是近几年的一种新兴研究方向,其为计算机科学与化学学科产生的交叉研究领域的典型代表。分子的化学空间非常庞大,而当前已发现的分子结构仅仅是整个化学空间中很小的一部分,为了缩短研发周期,降低
计算机网络技术近年来取得了飞速地发展,各种各样的软件层出不穷,软件的诞生往往会产生大量的数据。研究现有数据背后的规律,有助于帮助人们提高效率以及完成一些特定的任务。生活中的数据彼此之间是存在联系的,通过一些数学建模手段可以将复杂的数据关系抽象成图结构,对图结构的研究是分析数据背后规律的一种重要手段。以往的研究仅仅局限于对静态图的研究,而现实中的事物往往会随着时间发生变化,抽象得到的图结构也会变化,
预测已批准药物的新用途有助于降低药物的开发成本,并促进开发过程。以往的方法大多侧重于药物和疾病相关的多源数据,来预测药物和疾病之间的候选关联。药物有多种信息量丰富的属性信息,这些信息有利于药物-疾病对的关联预测,而以往的方法大多忽略了这些信息。根据不同的属性,可计算得到药物的多种相似性,而之前的大多数方法未能对这些相似性进行深度整合。此外,利用不同的药物相似性构建的多种药物-疾病异构网络中的拓扑结
社会网络、电商网络和引文网络等网络结构数据广泛存在于现实世界中,考虑到网络数据的复杂性和不规则性,如何从网络中获取重要信息是数据挖掘领域中充满挑战的一类问题。网络表征学习(NRL),又称图嵌入,旨在将高维且稀疏的网络(图)结构数据转化为低维且稠密的表征向量形式(即节点或全图嵌入)。因生成的嵌入能对信息有效压缩,网络表征学习在学术界和工业界都得到了广泛的应用。传统网络表征学习方法通常在静态网络上学习
人类社会正在从工业社会进入信息社会,乃至进一步进入智能社会。信息传播正在成为社会发展最重要的动力因素。在这一背景下,社会演化的逻辑也从“生产方式”导向转变为“信息方式”导向,策展这一专职人员从事的专业领域将跳出自身限制,转而成为一种有效理解社会运作规律的理念和方法,同时成为信息社会语境下社会实践成功的一项重要指标依据。大至社会空间成为“策展空间”,小至个人生活笼罩在“策展人姿态”之下,理解策展的逻
得益于深度学习的方法在计算机视觉方面的快速发展,当前与人脸识别紧密相关的任务一直备受各界关注。人脸识别广泛应用在人脸解锁、面部美颜、人脸重建等方面,其中关键点检测技术是这些任务的基础,因此,提高关键点的检测精度至关重要。目前,对于正面以及无遮挡的人脸图片,人脸关键点检测已经能够达到较高的检测精度,但是当处于遮挡、姿态、头部姿势、光照等因素的影响下时,已存在的方法往往得不到最理想的结果。另外,训练样
由于新药物的开发是一个既费时又昂贵的过程,人们开始为已获批准的药物寻找新的用途,进而缩短了药物研发时间和节约了科研费用。预测药物-蛋白质相互作用(Drug-Protein Interaction,DPI)是药物开发和重定位的重要步骤,应用计算的方法预测药物-蛋白相互作用可以缩小筛选范围,为生物学家提供高概率互作候选。因此,如何准确有效的预测DPI是一个在生物信息学领域值得研究和探索的问题。本文结合
20余年来,城市规划展览在中国逐步形成了规模和一些标准化的程式。在现有的规划策展中,行政、规划、策划、设计等各个专业有前后衔接式的合作交流,但尚未实现真正的纵向打通,难以为展览提供兼顾专业性和体验性的叙事。实现城市相关的多学科视野、促进展览相关的多专业协作,将是未来规划展览发展的趋势和方向。同时,关注“信息—规划(物)—观众(人)”中三个关键环节的策划与表达,始终保持叙事、内容、设计之间的互动,以