检索结果-南通市图书馆

计算机研究与发展 2024年

作者：钱忠胜黄恒朱辉刘金平江西财经大学信息管理学院

图对比学习因其可有效缓解数据稀疏问题被广泛应用在推荐系统中.然而，目前大多数基于图对比学习的推荐算法均采用单一视角进行学习，这极大地限制了模型的泛化能力，且图卷积网络本身存在的过度平滑问题，也影响着模型的稳定性.基于此... 详细信息

图对比学习因其可有效缓解数据稀疏问题被广泛应用在推荐系统中.然而，目前大多数基于图对比学习的推荐算法均采用单一视角进行学习，这极大地限制了模型的泛化能力，且图卷积网络本身存在的过度平滑问题，也影响着模型的稳定性.基于此，提出一种融合层注意力机制的多视角图对比学习推荐方法.一方面，该方法提出2种不同视角下的3种对比学习，在视图级视角下，通过对原始图添加随机噪声构建扰动增强视图，利用奇异值分解重组构建SVD（singular value decomposition）增强视图，对这2个增强视图进行视图级对比学习；在节点视角下，利用节点间的语义信息分别进行候选节点和候选结构邻居对比学习，并将3种对比学习辅助任务和推荐任务进行多任务学习优化，以提高节点嵌入的质量，从而提升模型的泛化能力.另一方面，在图卷积网络学习用户和项目的节点嵌入时，采用层注意力机制的方式聚合最终的节点嵌入，提高模型的高阶连通性，以缓解过度平滑问题.在 4 个公开数据集LastFM， Gowalla， Ifashion， Yelp上与10个经典模型进行对比，结果表明该方法在Recall， Precision， NDCG这3个指标上分别平均提升3.12%， 3.22%， 4.03%，这说明所提方法是有效的.

关键词：层注意力机制对比学习图卷积网络多任务学习推荐系统

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于图卷积神经网络的miRNA-疾病关联预测

基于图卷积神经网络的miRNA-疾病关联预测

引用

作者：韩瀚曲阜师范大学

学位级别：硕士

目前世界上存在着各种各样的疾病,如糖尿病、癌症、心脏病等。仅癌症一项每年就有393万人确诊,严重威胁着人们的生命健康安全。Mi RNAs是一种小的非编码RNA,它可以通过控制RNA切割或翻译抑制来影响m RNA的表达。经过大量实验证明,mi RNA... 详细信息

目前世界上存在着各种各样的疾病,如糖尿病、癌症、心脏病等。仅癌症一项每年就有393万人确诊,严重威胁着人们的生命健康安全。Mi RNAs是一种小的非编码RNA,它可以通过控制RNA切割或翻译抑制来影响m RNA的表达。经过大量实验证明,mi RNAs在细胞的增殖、发育、分化、代谢、衰老、凋亡、信号转导、病毒感染等许多生物学过程中都有重要作用。Mi RNAs的紊乱与复杂疾病的发生发展之间存在着复杂的关联,对于心脏病的诊断和最终治愈以及其他严重疾病,如恶性肿瘤、心血管疾病、精神疾病和糖尿病等都发挥着重要作用。到目前为止,已经证实许多mi RNAs与癌症有关。Mi RNA-疾病关联的鉴定对于相关疾病的诊断和最终治愈具有重要意义。因此,研究人员进行了大量的实验,以期在未来找到更好的方法来预测mi RNAs与疾病之间的关系。图卷积神经网络(Graph Convolutional Neural Networks,GCN)是一种专门用于处理图结构数据的深度学习模型,能够利用节点之间的邻接关系和节点特征之间的相似性来进行特征提取和分类,具有较好的鲁棒性和高度的可延展性,在链接预测方向上展示出了良好的预测性能,但仍然存在部分问题。为了更好地预测mi RNAs与疾病之间的潜在关联,本文对基于图卷积神经网络模型的方法进行有针对性地改进和完善,并将其应用于mi RNAs与疾病间的潜在关联预测,具体研究内容如下:(1)针对GCN难以使用基于不同权重对不同的节点特征进行赋值的问题,提出了引入层注意力机制的方法。首先利用已知的mi RNAs与疾病之间的关联、已知的mi RNAs功能相似性与疾病语义相似度构建异构网络,再通过编码、解码等操作得到新的mi RNA-疾病关联。同时,在编码的过程中引入层注意力机制。在引入层注意力机制后,可以集成来自多个图卷积层的所有有用的结构信息,构建图注意力网络,基于使用不同权重对不同的节点特征进行赋值,以提高预测的准确性。(2)针对现有经典神经归纳矩阵补全的模型存在学习mi RNA-疾病潜在特征表示方法的效果不佳的问题,提出了将对抗训练方法引入到神经归纳矩阵补全模型中。首先定义鉴别器和生成器网络,鉴别器判断特征矩阵的真实性,生成器生成伪特征矩阵。然后使用二元交叉熵作为损失函数,同时定义对抗损失函数来训练鉴别器和生成器。接下来训练鉴别器和生成器网络,通过训练鉴别器网络,尽可能地准确地区分生成的伪数据和真实数据,通过训练生成器网络;尽可能地欺骗鉴别器,使生成的伪数据更接近真实数据。最后将模型应用到mi RNA-疾病关联预测当中,有效地提高了预测的准确性。(3)针对现有的数据集存在稀疏性和不完全性的问题,将矩阵补全算法应用到图自动编码器,预测潜在的mi RNA-疾病关联。利用矩阵补全算法重构mi RNAs和疾病关联矩阵,将多个数据源整合到一起,构建了一个包含mi RNAs节点和疾病节点的mi RNA-疾病二分图。在mi RNA-疾病关联数据集中,将已知的关联视为mi RNAs节点与疾病节点之间的正链接。为了保持样本的平衡,还需要构造等量的负样本。从未知关联中随机选择相同数量的关联作为负链接,将其添加到mi RNA-疾病二分图中。然后,将所有的正链接标记为1,所有的负链接标记为0,分别进行接下来的模型训练。最后使用基于图神经网络的编码器生成mi RNAs和疾病节点的嵌入,再使用双线性解码器重建二分图中的链接,最后使用交叉熵损失函数对整个模型进行端到端的训练。大量实验证明,改进后的三个模型具有十分优异的预测效果,从而为部分疾病的预防、诊断、治疗提供新的思路。

关键词： miRNA-疾病关联预测层注意力机制对抗训练矩阵补全

来源：

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

基于异构图神经网络的药物重定位研究

引用

长春大学学报 2023年第8期33卷 13-18页

作者：吕嫄芜湖职业技术学院基础教学部安徽芜湖241000

提出了一种基于异构图神经网络(HGNN)的药物重定位方法。该方法对药物-疾病关联网络、药物-药物相似性网络和疾病-疾病相似性网络的信息进行并行融合,有效地保留了各个网络的信息。此外,针对图卷积神经网络(GCN)提取信息能力的不足,本... 详细信息

提出了一种基于异构图神经网络(HGNN)的药物重定位方法。该方法对药物-疾病关联网络、药物-药物相似性网络和疾病-疾病相似性网络的信息进行并行融合,有效地保留了各个网络的信息。此外,针对图卷积神经网络(GCN)提取信息能力的不足,本工作加入了图注意力网络(GAT)和层注意力机制,增强了特征提取能力,进一步提高了模型的预测性能。实验验证表明,提出的网络在Fdataset上达到了94.4%的AUROC和57.0%的AUPRC,在Cdataset上达到了95.9%的AUROC和65.3%的AUPR,超过了现有的基准方法。

关键词：药物重定位机器学习异构图神经网络图注意力网络层注意力机制

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

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

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

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

在线全文

在线全文

在线全文

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：