检索结果-南通市图书馆

AMiner:Search and Mining of Academic Social Networks

在线全文

学校读者我要写书评

暂无评论

Data Intelligence 2019年第1期1卷 58-76页

作者： huaiyu wan Yutao Zhang Jing Zhang Jie Tang School of Computer and Information Technology Beijing Jiaotong UniversityBeijing 100044China Department of Computer Science and Technology Tsinghua UniversityBeijing 100084China Information School Renmin University of ChinaBeijing 100872China

AMiner is a novel online academic search and mining system,and it aims to provide a systematic modeling approach to help researchers and scientists gain a deeper understanding of the large and heterogeneous networks formed by authors,papers,conferences,journals and organizations.The system is subsequently able to extract researchers’profiles automatically from the Web and integrates them with published papers by a way of a process that first performs name disambiguation.Then a generative probabilistic model is devised to simultaneously model the different entities while providing a topic-level expertise search.In addition,AMiner offers a set of researcher-centered functions,including social influence analysis,relationship mining,collaboration recommendation,similarity analysis and community evolution.The system has been in operation since 2006 and has been accessed from more than 8 million independent IP addresses residing in more than 200 countries and regions.

关键词： Academic social networks Profile extraction Name disambiguation Topic modeling Expertise Search Network mining

在线全文

学校读者我要写书评

暂无评论

结合事件链与事理图谱的脚本事件预测模型

计算机工程 2022年第4期48卷 119-125页

作者：孙盼王琪万怀宇北京交通大学计算机与信息技术学院交通数据分析与挖掘北京市重点实验室北京100044

现有脚本事件预测模型在事件表示时未充分考虑各个元素之间的相关性,且不能同时利用事件链和事理图谱中的信息进行事件预测。针对事件表示不全面和信息融合不充分的问题,提出一种结合事件链和事理图谱的脚本事件预测模型ECGNet。将每个... 详细信息

现有脚本事件预测模型在事件表示时未充分考虑各个元素之间的相关性,且不能同时利用事件链和事理图谱中的信息进行事件预测。针对事件表示不全面和信息融合不充分的问题,提出一种结合事件链和事理图谱的脚本事件预测模型ECGNet。将每个事件的各个元素构造成一个短句,使用Transformer编码器捕获元素之间的序列信息,从而获得更准确的事件表示。在此基础上,构建一个长程时序模块(LRTO)学习事件链中的时序信息,同时构建一个全局事件演化模块(GEEP)捕获隐藏在事理图谱中的演化模式,通过门控注意力机制动态融合时序信息和演化模式进行脚本事件预测。基于纽约时报和新浪新闻两个数据集的实验结果表明,ECGNet能够有效融合事件链和事理图谱的信息进行脚本事件预测,与PMI、Bigram、SAM-Net、SGNN等模型相比,其准确率较最优值取得了3%以上的提升。

关键词：脚本事件预测事件表示事件链事理图谱注意力机制

在线全文

学校读者我要写书评

暂无评论

融合实体外部知识的远程监督关系抽取方法

计算机研究与发展 2022年第12期59卷 2794-2802页

作者：高建伟万怀宇林友芳北京交通大学计算机与信息技术学院北京100044

远程监督关系抽取旨在从无结构化的文本当中发现关系事实,它对许多下游任务有着非常重要的意义.虽然远程监督可以自动地生成大量带标签的训练样本,但是自动标注的过程不可避免地会遇到噪声数据的问题.当前的许多研究工作主要把关注点放... 详细信息

远程监督关系抽取旨在从无结构化的文本当中发现关系事实,它对许多下游任务有着非常重要的意义.虽然远程监督可以自动地生成大量带标签的训练样本,但是自动标注的过程不可避免地会遇到噪声数据的问题.当前的许多研究工作主要把关注点放在降噪的过程当中,尝试通过选择出正确的句子来生成更有效的包级别特征表示.但是在文本语料之外,还存在着大量与实体相关的外部知识没有被充分利用,而这些知识能够帮助模型更好地理解实体之间的关系.基于这一观察,提出了一种新颖的远程监督关系抽取方法,该方法通过利用外部知识图谱当中的结构化知识和文本语料中的语义知识,设计了一种实体知识感知的词嵌入表示方法,来丰富句子级别的特征表达能力.实验结果表明,在2个版本的大规模“纽约时报”基准数据集上,该方法都明显优于其他方法.此外,还通过对比实验进一步探索了2个版本的数据集所存在的差异,其中无实体交集的数据集能够更有效地反映模型性能.

关键词：关系抽取远程监督知识表示词嵌入门控机制

在线全文

学校读者我要写书评

暂无评论

基于多任务学习的快件送达时间预测方法

计算机工程 2022年第4期48卷 314-320页

作者：王强林友芳万怀宇北京交通大学计算机与信息技术学院北京100044 综合交通运输大数据应用技术交通运输行业重点实验室北京100044

快件送货时间预测(即在任何时间预测包裹送达的到达时间)是物流领域中最重要的服务之一。准确地预测快件送达时间可以为用户提供更准时的服务,缓解客户的等待焦虑,提升用户体验,且有利于快递员的路径规划,从而提高派送效率。然而在快递... 详细信息

快件送货时间预测(即在任何时间预测包裹送达的到达时间)是物流领域中最重要的服务之一。准确地预测快件送达时间可以为用户提供更准时的服务,缓解客户的等待焦虑,提升用户体验,且有利于快递员的路径规划,从而提高派送效率。然而在快递派送场景下,多因素、动态性及多目的地等特征给快件投递准确预测送达时间带来巨大挑战。提出一种基于多任务学习的模型MTDTN,从快递员的大量历史时空轨迹中预测快件送达时间。MTDTN建模多种影响送达时间的外部因素,利用地理信息编码、卷积操作以及双向长短时记忆网络来捕获派送行为的时空关系,并运用多任务学习框架,引入顺序预测的辅助任务与送达时间预测的主任务,提高模型预测性能。在真实数据集上的实验结果表明,与基准方法中最优的DeepETA模型相比,该模型的平均绝对误差与平均绝对百分比误差分别降低了16.11%和12.88%,模型效果明显提升。

关键词：送达时间预测时空轨迹卷积神经网络双向长短时记忆多任务学习

在线全文

学校读者我要写书评

暂无评论

基于自适应小波分解的时间序列分类方法

计算机工程 2022年第4期48卷 81-88,98页

作者：梁小慧郭晟楠万怀宇北京交通大学计算机与信息技术学院交通数据分析与挖掘北京市重点实验室北京100044

时间序列分类即通过构建分类模型建模时间序列中的特征来实现对该时间序列的归类,是时间序列挖掘的重要研究分支。现有的时间序列分类方法多数从时域的角度对时间序列进行建模,忽视了时间序列中隐含的频域信息,而时间序列往往同时蕴含... 详细信息

时间序列分类即通过构建分类模型建模时间序列中的特征来实现对该时间序列的归类,是时间序列挖掘的重要研究分支。现有的时间序列分类方法多数从时域的角度对时间序列进行建模,忽视了时间序列中隐含的频域信息,而时间序列往往同时蕴含着多种不同变化速率的变化模式,这些变化模式在时域上相互叠加,使得时间序列的变化规律变得比较复杂,因此仅从时域的角度进行建模,难以有效地从复杂的规律中捕获其蕴含的多种相对简单的规律。提出一种基于自适应多级小波分解的神经网络方法AMWDNet,使用自适应小波分解建模时间序列中的多级时频信息,自适应小波分解模块能够同时从时域和频域的角度出发,对时间序列中蕴含的多种变化模式进行有效分解,通过使用长短期时间模式提取模块分别建模时间序列中的长期和短期时间模式。选取时间序列分类任务中8个主流的方法作为基准方法,在UCR数据集仓库中的8个数据集上进行对比实验,结果表明,AMWDNet在其中的7个数据集上取得了最高的分类准确率,相比于次优的基准方法提升了0.1~2.2个百分点,整体分类性能优于MLP和FCN等基准方法。

关键词：时间序列分类自适应小波分解多分辨率分析时频分析

在线全文

学校读者我要写书评

暂无评论

融合时序知识图谱的路段级交通事故风险预测

模式识别与人工智能 2023年第8期36卷 721-732页

作者：唐伟文郭晟楠陈炜林友芳万怀宇北京交通大学计算机与信息技术学院北京100044 北京交通大学交通数据分析与挖掘北京市重点实验室北京100044

从历史交通事故数据中探究事故发生的规律,实现准确的路段级交通事故风险预测,可以有效提升交通出行的安全与效率.然而,由于天气、交通状态等多源因素的影响、交通事故之间复杂的时空相关性和事故数据的稀疏性,实现准确的路段级交通事... 详细信息

从历史交通事故数据中探究事故发生的规律,实现准确的路段级交通事故风险预测,可以有效提升交通出行的安全与效率.然而,由于天气、交通状态等多源因素的影响、交通事故之间复杂的时空相关性和事故数据的稀疏性,实现准确的路段级交通事故风险预测面临巨大的挑战.针对上述挑战,文中提出融合时序知识图谱的双层次多视角时空图神经网络模型(Two-Level and Multi-view Spatial-Temporal Graph Neural Network by Incorporating Temporal Knowledge Graph,STGN-TKG).首先,构建交通事故时序知识图谱并设计交通事故时序知识图谱历时嵌入模型,挖掘多源影响因素数据之间的动态、高阶相关性.然后,利用空间图卷积注意力模块和时序表征模块,从两个层次、多个语义视角,充分建模交通事故之间复杂的时空相关性.最后,提出符合实际场景的事故风险传播策略,缓解数据稀疏带来的零膨胀问题.在两个真实的路段级交通事故风险数据集上的实验表明,STGN-TKG在路段级事故风险预测任务中表现较优.

关键词：交通事故风险预测零膨胀问题时序知识图谱双层次多视角时空相关性

面向时空交通栅格流量预测的3D通道注意力网络

在线全文

学校读者我要写书评

暂无评论

国防科技大学学报 2022年第3期44卷 41-49页

作者：童凯南林友芳刘军郭晟楠万怀宇北京交通大学计算机与信息技术学院北京100044 中国民航信息网络股份有限公司北京101318

城市交通流量预测对交通管理和公共安全具有重要意义。然而,交通栅格流量数据中的规律在时刻变化,在城市中存在全局范围的时空间关系,并且不同特征通道在每个城市区域上有不同的重要性。为解决这些挑战并做出更准确的预测,设计了一种新... 详细信息

城市交通流量预测对交通管理和公共安全具有重要意义。然而,交通栅格流量数据中的规律在时刻变化,在城市中存在全局范围的时空间关系,并且不同特征通道在每个城市区域上有不同的重要性。为解决这些挑战并做出更准确的预测,设计了一种新颖的时空神经网络模型--3D通道注意力网络(three-dimensional channel-wise attention networks,3D-CANet)。提出一个3D通道内注意力(three-dimensional inner channel attention,3D-InnerCA)单元来动态捕获各个通道中不同的全局时空相关性,同时设计通道间注意力(inter channel attention,InterCA)单元来自适应地重校准每个区域上不同特征通道的贡献。在3个真实交通栅格流量数据集上的实验结果表明,3D-CANet模型的预测能力优于其他对比方法,证明了模型的有效性。

关键词：时空数据交通栅格流量 3D通道注意力通道内注意力通道间注意力

在线全文

学校读者我要写书评

暂无评论

使用子图推理实现知识图谱关系预测

计算机科学与探索 2022年第8期16卷 1800-1808页

作者：于慧琳陈炜王琪高建伟万怀宇北京交通大学计算机与信息技术学院北京100044

知识图谱中的关系推理旨在从现有数据中识别和推断出新的关系,为许多下游任务提供知识服务。当前的许多研究工作主要将实体与关系映射到向量空间中或对实体之间的路径进行搜索来解决关系推理问题。这些方法都只考虑了单一路径或一阶信... 详细信息

知识图谱中的关系推理旨在从现有数据中识别和推断出新的关系,为许多下游任务提供知识服务。当前的许多研究工作主要将实体与关系映射到向量空间中或对实体之间的路径进行搜索来解决关系推理问题。这些方法都只考虑了单一路径或一阶信息对关系推理的影响,忽视了广泛存在于实体之间的更复杂的关系信息。提出了一种新颖的基于子图的知识图谱关系推理方法,结合表示学习与路径推理的优势,使用具有丰富信息的子图结构获取实体对的邻域结构信息,实现实体之间的关系预测。首先将实体对之间的路径扩展为子图,分别从实体层面和关系层面出发,构建节点子图和关系子图;再结合图嵌入表示与图神经网络计算子图的高阶特征,从而获得更丰富的实体关系特征;最后从子图高阶特征中获取实体对的邻域结构信息,实现实体之间的关系预测。实验结果表明,在两个基准数据集上,该方法优于现有的其他基于推理的关系预测方法。

关键词：知识图谱连接预测子图构建图神经网络

在线全文

学校读者我要写书评

暂无评论

面向交通事故预测的时空多模态点过程

计算机应用研究 2023年第8期40卷 2340-2345页

作者：彭文闯郭晟楠万怀宇林友芳北京交通大学计算机与信息技术学院北京100044 北京交通大学交通数据分析与挖掘北京市重点实验室北京100044

交通事故预测对于构建智慧城市具有重要意义。然而发生在连续时间域上的交通事故数据同时包含具有不同语义特征的时间、空间模态信息,且这两种模态的不确定性存在差异,因此传统的序列建模方式无法全面描述交通事故的时空相关性,很难实... 详细信息

交通事故预测对于构建智慧城市具有重要意义。然而发生在连续时间域上的交通事故数据同时包含具有不同语义特征的时间、空间模态信息,且这两种模态的不确定性存在差异,因此传统的序列建模方式无法全面描述交通事故的时空相关性,很难实现准确的交通事故预测,对此提出了一种面向交通事故预测的时空多模态点过程模型MSTPP。该模型设计了一种具有双解码器的seq2seq框架。在编码器中提出了衰减感知长短期记忆网络DLSTM用于编码在连续时间域中的交通事故事件序列,有效地融合不同模态信息以及建模事件序列的异步性。在解码阶段,使用两个特殊设计的解码器去处理模态间差异性。在两个真实的交通事故数据集上的实验结果表明,MSTPP在预测下一个交通事故发生的时间和区域任务上相比于其他基准模型具有最优的预测能力。

关键词：交通事故预测事件建模神经点过程时间模态空间模态