【摘 要】
:
图匹配是用于在图结构数据中进行高效查询的一种技术,其广泛应用在生物信息学、知识图谱、计算机视觉等领域。相较于传统图匹配算法,基于机器学习和深度学习的方法将匹配任务描述为最小化能量函数问题,利用构建的模型自适应学习图的特征并修正参数,整个过程更加智能高效。然而,现有的无监督学习匹配算法中存在随机性强的问题,导致结果不稳定,以及监督学习算法中人为构造的特征存在不准确的可能性,从而导致匹配结果准确度较低
论文部分内容阅读
图匹配是用于在图结构数据中进行高效查询的一种技术,其广泛应用在生物信息学、知识图谱、计算机视觉等领域。相较于传统图匹配算法,基于机器学习和深度学习的方法将匹配任务描述为最小化能量函数问题,利用构建的模型自适应学习图的特征并修正参数,整个过程更加智能高效。然而,现有的无监督学习匹配算法中存在随机性强的问题,导致结果不稳定,以及监督学习算法中人为构造的特征存在不准确的可能性,从而导致匹配结果准确度较低。基于此,本文研究了基于神经网络的自适应特征学习匹配算法,并以蛋白质复合物识别和特征点匹配为应用背景验证所提出的算法的准确性和有效性。论文主要研究工作包括:(1)针对无监督学习匹配算法存在随机性的问题,以及监督学习匹配算法存在人为构造特征不准确的问题,提出了基于图嵌入与拓扑结构信息相结合的匹配算法。该算法利用图嵌入神经网络模型自适应学习图的特征并利用非线性分类器得到匹配结果,有效解决了现有方法存在的问题从而达到提高匹配准确度的目的。(2)针对研究内容(1)中的神经网络模型利用随机游走生成根子图,并将其作为学习图嵌入的基本要素会存在信息冗余,进一步导致了最终学习到的图嵌入特征代表性不强的问题,研究了更有针对性的图神经网络来自适应学习特征,并在网络模型中加入了空间转换网络用以对图中重要的结构加重学习,从而实现提升算法的准确性和有效性的目标。(3)为验证以上算法的准确性和有效性,将其应用于生物信息学领域和计算机视觉领域,分别解决蛋白质复合物识别和特征点匹配问题。实验结果表明,相较于其他算法,本文所提出的算法提高了准确度的同时,其在F-measure和敏感度上也有着不错的表现。
其他文献
随着生活品质的提高,桂北地区传统民居热环境的缺陷逐渐显露,居住需求和民居热环境质量矛盾日益激化;进而出现照搬照抄城市建筑模式现象,传统民居的外观体现和内部结构脱离了传统建筑文化的本意。为同时兼顾桂北传统民居室内热环境品质提升和保护并传承传统建筑文化,本文选取桂北地区典型的砖木地居式民居和半干栏式民居为研究对象。通过环境实测掌握民居热环境状况,分析影响热环境的因素,并提出针对性改造方案;借助Desi
对基于深度学习的知识图谱关系预测方法进行研究能够对节点间关系的推理与隐含信息挖掘产生较大现实应用价值。其可用于犯罪预测、推荐系统、自然语言推理等系统及方法中。本文对基于知识图谱的关系预测方法进行研究,并将其应用于推荐系统中以提升准确率。本文主要解决由于图谱信息挖掘不充分而导致的推荐不准确问题。首先,为了更好地利用并挖掘图谱信息,得到更加准确的图谱关系表述,本文提出了一种基于RNN网络和Rotat
作为教育数据挖掘的重要研究分支之一,学生成绩预测研究得到了广泛的关注,国内外学者相继开展了一些卓有成效的工作。虽然传统的成绩预测方法取得了不错的效果,但这些方法仍存在一些不足,主要有两个方面:一是在传统课堂成绩预测问题中,预测存在一定的滞后性,而且数据也存在数据稀疏和特征单一等问题,以至于无法为课程初期的教学和管理工作提供有效的技术支撑。二是现有的在线平台课程成绩预测研究主要利用学习者在平台学习的
本文主要开展垂直型GaN电流孔径晶体管(Current Aperture Vertical Electron Transistor,CAVET)的相关研究,相较于横向型GaN HEMT(Lateral GaN High Electron Mobility Transistor)器件,CAVET器件在降低封测难度、减小芯片面积、获得高击穿电场、抑制电流崩塌效应等方面具有明显优势,本文从以下三方面开展
知识图谱补全是通过预测实体之间的隐藏关系来获取新的知识,从而使知识图谱更加完善。目前将知识图谱中的实体和关系嵌入到连续低维向量空间中成为知识图谱补全的一种有效方法,应用卷积神经网络的ConvE等模型和应用图卷积神经网络的KBAT等模型在知识图谱嵌入中取得了较好的性能。但是,KBAT等模型不能对实体间的双向语义关系进行建模,并且无法获取丰富的多跳邻居特征,ConvE等模型难以获取三元组的深层特征。针