检索结果-南通市图书馆

融合因果关系表征的阅读理解因果关系类选项判断

在线全文

学校读者我要写书评

暂无评论

计算机工程 2022年第7期48卷 89-96页

作者：普瑞丽王元龙李茹山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

阅读理解因果关系类选项是指存在因果线索词的选项,此类选项需要根据原文中的因果关系表征进行作答。基于高考阅读理解任务构建因果关系网络,提出融合因果关系表征的因果关系类选项判断方法。采用模式匹配方法抽取原文的因果句对,根据... 详细信息

阅读理解因果关系类选项是指存在因果线索词的选项,此类选项需要根据原文中的因果关系表征进行作答。基于高考阅读理解任务构建因果关系网络,提出融合因果关系表征的因果关系类选项判断方法。采用模式匹配方法抽取原文的因果句对,根据文章因果句对抽取出因果关系词对,并通过点互信息计算因果关系词对之间的因果关联强度,从而构建因果关系网络来表征原文的因果关系。在此基础上,将因果关系表征融入到BERT模型中,预测因果关系选项和原文是否一致。同时,根据高考阅读理解大纲结合语料库发现错误类型分为因果颠倒、强加因果、偷换原因或结果、其他类型等4类,根据每一种错误类型的特点结合预测结果确定选项的错误类型,并提供一个错误解释,以增强方法的可解释性。选用近15年全国高考试题及模拟题中的4 071个科技类阅读理解因果选项进行实验,结果显示F1值达到62.09%,验证了该方法的有效性。

关键词：高考阅读理解因果关系类选项因果关系网络因果关系表征可解释性

融合先验约束的拓扑霍克斯过程格兰杰因果发现算法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2022年第6期39卷 1668-1672页

作者：蔡瑞初刘跃群黄正婷黄晓楷陈薇郝志峰广东工业大学计算机学院广州510006 汕头大学理学院广东汕头515063

离散时序数据的格兰杰因果关系发现算法具有重要应用价值。现有方法主要采用霍克斯过程建模,无法适用于非独立同分布数据和带有时间误差的数据。为此,提出了一种融合先验约束的拓扑霍克斯过程格兰杰因果关系发现算法(PTHP)。首先,使用... 详细信息

离散时序数据的格兰杰因果关系发现算法具有重要应用价值。现有方法主要采用霍克斯过程建模,无法适用于非独立同分布数据和带有时间误差的数据。为此,提出了一种融合先验约束的拓扑霍克斯过程格兰杰因果关系发现算法(PTHP)。首先,使用基于约束的方法筛选出一批显著性水平较高的因果边,提升算法对故障发生时间误差的容忍性;随后,将上一步获取的边作为先验约束融合到拓扑霍克斯过程中,解决序列间的非独立同分布问题。模拟数据和真实数据的实验证明了该方法的有效性,并获得了PCIC 2021因果推理大赛第一名。

关键词：格兰杰因果拓扑霍克斯过程因果关系发现因果关系网络时间误差

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于多组典型相关变量的因果关系发现算法

计算机应用研究 2021年第1期38卷 53-56页

作者：陈薇蔡瑞初伍运金谢峰郝志峰广东工业大学计算机学院广州510006 佛山科学技术学院数学与大数据学院广东佛山528225

现有的因果关系发现算法主要基于单个观察变量本身之间的因果关系,无法适用于多组观察变量,为此提出了一种多组典型相关变量的因果关系发现算法。首先,引入多组典型相关变量建立多组典型相关变量的线性非高斯无环模型并提出对应的目标函... 详细信息

现有的因果关系发现算法主要基于单个观察变量本身之间的因果关系,无法适用于多组观察变量,为此提出了一种多组典型相关变量的因果关系发现算法。首先,引入多组典型相关变量建立多组典型相关变量的线性非高斯无环模型并提出对应的目标函数;然后,采用梯度上升的方法求解目标函数,构建多组典型相关变量的因果关系网络。模拟实验验证了该算法的有效性,并在移动基站数据上发现了一批有价值的多组无线网络性能指标间的因果关系。

关键词：多组典型相关变量线性非高斯无环模型因果关系发现因果关系网络

在线全文

学校读者我要写书评

暂无评论

基于复杂网络的中药成分关联性研究

基于复杂网络的中药成分关联性研究

作者：高家璇江南大学

学位级别：硕士

具有“多成分、多途径、多靶点”协同作用特点的中药(Traditional Chinese Medicine,TCM)复方,在癌症、心脑血管等疾病的治疗上发挥着重要的作用。然而,中药成分复杂,药理作用机制也不明确,特别是其成分的关联性在代谢过程中发生动态变... 详细信息

具有“多成分、多途径、多靶点”协同作用特点的中药(Traditional Chinese Medicine,TCM)复方,在癌症、心脑血管等疾病的治疗上发挥着重要的作用。然而,中药成分复杂,药理作用机制也不明确,特别是其成分的关联性在代谢过程中发生动态变化,这使得传统药理学方法难以从系统角度全面分析中药复方治疗复杂疾病的效应物质并解释其作用机制。因此,本文以丹参-降香配伍治疗缺血性脑卒中(Ischemic Stroke,IS)为例,构建基于多层网络、因果关系网络和动态相关网络的三个网络模型,探究中药成分之间以及与体内物质之间的关联性,进而识别关键效应物质并解释其作用机制。本文的主要研究内容如下:1.基于药物、靶点、疾病和症候关联信息构建多层网络,利用复杂网络理论进行系统的研究。在利用丹参-降香及IS的关联信息构建蛋白质-蛋白质相互作用网络和“药对-药效成分-靶点-IS”网络的基础上,分析不同的网络拓扑特征并基于多个中心性指标识别出核心药效成分及核心靶点。进一步,提出一种基于TCM症候筛选IS候选药物的方法,利用“药对-TCM症候-症候群-中风”网络发现关键TCM症候和症候群。结果表明,蒲黄、三棱、泽兰3味中药是对IS存在潜在治疗作用的候选中药,为治疗IS的药物开发提供了理论参考。2.基于因果关系网络挖掘代谢过程中的物质之间的局部因果关系和全局因果关系。以香丹注射液(Xiang Dan Injection,XDI)给药后的脑缺血模型大鼠的血浆中物质含量的时间序列数据为研究对象,首先利用Convergent Cross Mapping(CCM)算法计算代谢系统中各物质间的因果关系,考虑到复杂代谢系统中成分种类复杂、数量庞大,进一步构建因果关系网络。通过两两物质之间的局部因果关系分析以及基于因果关系网络对多物质之间的全局因果关系的分析,发现了代谢过程中的存在强因果关系的物质对及关键物质。3.基于动态物质-物质相关网络挖掘代谢过程中物质-物质关联性的动态变化。首先计算物质-物质的动态相关性,基于动态相关性构建动态物质-物质相关网络。然后利用Persistent Communities by Eigenvector Smoothing(Pis CES)算法检测动态相关网络中的物质簇并分析物质之间相关性的演化,计算网络中节点动态中心性用于分析代谢过程中核心物质。研究发现药物发挥作用的关键时期即给药后的5个小时,结合因果关系网络模型的结论识别出了代谢过程中的核心效应物和核心物质群。本文通过对多层网络、因果关系网络和动态相关网络模型的研究,探究了中药成分之间以及与体内物质之间的关联性,提供一种新的分析中药复方治疗复杂疾病的方法,帮助识别出关键效应物质并解释其作用机制。本文为中药复方治疗复杂疾病的药物开发提供了理论参考。

关键词：中药复方丹参-降香缺血性脑卒中多层网络因果关系网络动态相关网络

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向社交媒体的时序因果关系发现算法研究

面向社交媒体的时序因果关系发现算法研究

作者：谢泳广东工业大学

学位级别：硕士

随着互联网和社交媒体的迅速发展,用户在社交媒体上产生了大量数据,营造了活跃的网络环境,这些数据所包含的信息在社交媒体的庞大网络中传播和流动,为人们了解和挖掘社交媒体的潜在规律提供了基础。通过发现社交媒体上的因果关系网络,... 详细信息

随着互联网和社交媒体的迅速发展,用户在社交媒体上产生了大量数据,营造了活跃的网络环境,这些数据所包含的信息在社交媒体的庞大网络中传播和流动,为人们了解和挖掘社交媒体的潜在规律提供了基础。通过发现社交媒体上的因果关系网络,可以得出其中的相互影响所遵从的隐含因果关系,反映信息的流动,为预测和引导舆论提供帮助。社交媒体是一个复杂的系统,由于具有时效性,因此高维下的时序因果关系网络推断算法研究是社交媒体因果关系发现的重要问题。以往因果关系发现领域的研究重点多在非时序的范畴,静态的非时序因果关系发现算法不能刻画随机过程之间的影响传播。已有学者在动态系统的因果关系发现上取得了一些成果,例如传递熵、CSE等重要算法,然而这些方法存在一定的局限性,传递熵基于双变量做因果推断,在扩展到高维情况下会产生大量冗余因果关系,CSE也因为只研究上一时刻的影响来确定因果关系,所以容易对那些影响有延迟的随机过程的信息传递估计欠缺,进而导致发现出的因果关系网络不准确。为此,社交媒体因果关系发现问题需要研究如何得到包含直接因果关系、准确估计原因节点的信息传递、消除冗余因果边的因果网络,描述社交媒体上信息流动的真实情况。本文针对以上问题提出了一种推断社交媒体直接因果关系网络的方法。该方法基于时间序列数据进行建模,用时序因果模型来表示社交媒体信息在时间维度上的传递,为了拟合这种时序上的信息传递,在模型中引入了因果影响延迟和充分影响长度。在模型选择策略上,按照最小描述长度准则来选择模型,平衡模型复杂度和模型对数据的拟合程度来求解模型参数。参数学习策略是一个启发式学习过程,首先对节点自身影响进行准确估计,然后在已知自身影响的条件下,搜索其他节点,通过因果关系显著性检验来判断候选原因节点。在发现原因节点的过程中,将已知原因节点集合作为条件节点集,用于消除非直接因果关系。学习过程中迭代计算充分影响长度,直到时间足够久远,影响消失,保证对因果影响传递的充分估计。最后为了进一步降低因果网络冗余程度,对模型进行回溯剪枝。本文采用了模拟数据集对本文算法和对比方法进行多组实验,结果表明本文算法的有效性和准确性优于对比方法,能够发现直接因果关系网络,并且具有稳定性和鲁棒性。通过新浪微博数据对算法进行用户因果关系和话题因果关系发现的实验,结果证明本文算法消除了显式关系中的非真实影响,符合实际场景。另外,还能帮助我们发现一些隐含的结论,揭示社交媒体背后的影响规律。

关键词：社交媒体因果关系网络时间序列信息传递因果关系显著性