检索结果-南通市图书馆

归纳式迁移学习在跨领域情感倾向性分析中的应用

在线全文

学校读者我要写书评

暂无评论

南京大学学报（自然科学版） 2016年第1期52卷 175-183页

作者：孟佳娜赵丹丹于玉海孙世昶大连民族大学计算机科学与工程学院大连116600

在解决情感倾向性分析问题中,传统的监督学习和半监督学习都是在训练和测试所用的数据来自相同分布的假设基础之上的,但在很多情况下不能满足这样的假设,这就产生了跨领域的情感倾向性分析问题.在跨领域情感倾向性分析中,提出一种基于... 详细信息

在解决情感倾向性分析问题中,传统的监督学习和半监督学习都是在训练和测试所用的数据来自相同分布的假设基础之上的,但在很多情况下不能满足这样的假设,这就产生了跨领域的情感倾向性分析问题.在跨领域情感倾向性分析中,提出一种基于归纳式迁移学习的图模型,通过图模型建立源领域和目标领域数据之间的关联,使得源领域的数据通过图模型学习目标领域数据在特征和实例上的特点.同时,利用归纳式迁移学习方法使用少量的目标领域的已标注数据进行训练,从而提高了情感分类器在目标领域的分类准确率,极大地改进了跨领域情感倾向性分析的效果.在标准数据集上进行了实验,并与监督学习方法 SVM、半监督学习方向TSVM以及其它3种常用的迁移学习方法进行了对比,对比结果显示本文方法显著的高于SVM和TSVM,并在大多数数据集上优于其它3种迁移学习方法,实验结果表明该方法是有效的.

关键词：归纳式学习跨领域情感倾向性分析迁移学习图模型

在线全文

学校读者我要写书评

暂无评论

归纳式学习方法在保险数据分析中的运用

保险研究 2006年第3期 83-86,96页

作者：陈秉正李钲曾立清华大学经济管理学院北京100084

机动车辆保险是我国财产与责任保险中最重要的险种之一。多年来，我国保险企业在开展机动车辆保险业务的同时，积累了大量数据。利用数据挖掘技术对其中蕴藏的有价值信息进行充分分析，可以为保险企业的经营管理提供重要参考。本文运用... 详细信息

机动车辆保险是我国财产与责任保险中最重要的险种之一。多年来，我国保险企业在开展机动车辆保险业务的同时，积累了大量数据。利用数据挖掘技术对其中蕴藏的有价值信息进行充分分析，可以为保险企业的经营管理提供重要参考。本文运用归纳式学习方法，对某市机动车辆保险的数据进行了分析。分析了保单中被保险人、保险标的、保费等方面的因素与保单赔付金额和赔付次数等因素之间的关系，发现了一批反映这些因素间相关关系的规律，说明归纳式学习方法在机动车辆保险数据分析方面具有重要的应用价值。

关键词：机动车辆保险归纳式学习数据挖掘

在线全文

学校读者我要写书评

暂无评论

归纳式学习中连续型数据的区间划分问题

系统工程理论与实践 2001年第4期21卷 1-7,18页

作者：陈秉正韩春鹏清华大学经济管理学院北京100084

主要研究的是归纳式学习中连续型样本数据的分组问题 .在归纳式学习方法中 ,对样本数据的不同分组会直接影响到所生成的反映变量间相互关系的规则 ,从而影响到对新样本的识别效果 .特别是对样本数据为连续型的数据的分组问题 ,目前尚未... 详细信息

主要研究的是归纳式学习中连续型样本数据的分组问题 .在归纳式学习方法中 ,对样本数据的不同分组会直接影响到所生成的反映变量间相互关系的规则 ,从而影响到对新样本的识别效果 .特别是对样本数据为连续型的数据的分组问题 ,目前尚未得到很好的解决 .本文在类相关离散化方法的基础上 ,提出了用极大熵法进行初始区间划分 ,用多因素优选法调整区间的边界 ,二阶概率统计检验与实际意义相结合进行区间合并的一整套划分区间的方法 ,并用本文建立的新方法体系对中国宏观经济的某些指标间的相互关系进行了分析。

关键词：归纳式学习连续型数据区间划分概率统计社会经济系统

在线全文

学校读者我要写书评

暂无评论

多级特征增强的图表示学习模型

计算机工程与应用 2023年第11期59卷 131-140页

作者：冯耀孔兵周丽华包崇明王崇云云南大学信息学院昆明650500 云南大学软件学院昆明650500 云南大学生态与环境学院昆明650504

针对图数据的表示学习在推荐系统、链接预测等图下游任务已展现出重要的研究价值。然而目前主流的方法存在一些缺陷:图卷积网络的固定传播模式限制节点表示的语义表达能力,以及编码器-解码器结构中的正则化重建阻碍学习节点间的差异化特... 详细信息

针对图数据的表示学习在推荐系统、链接预测等图下游任务已展现出重要的研究价值。然而目前主流的方法存在一些缺陷:图卷积网络的固定传播模式限制节点表示的语义表达能力,以及编码器-解码器结构中的正则化重建阻碍学习节点间的差异化特征,这些都可能导致节点表示不能很好适应图下游任务。为此,基于互信息最大化理论提出一种多级特征增强的图表示学习模型,能以无监督的方式生成高质量的节点表示。模型使用提取器保留节点原始属性中的差异化特征,利用注意力聚合器维持编码空间中节点分布的局部相关性和全局差异性,应用深度图信息最大化策略统一全局编码规则。实验结果证明,在几个基准图数据集上该模型在直推式学习和归纳式学习下的编码表现均超过了所有的主流对比基线。

关键词：图表示学习互信息最大化无监督学习直推式学习归纳式学习

在线全文

学校读者我要写书评

暂无评论

基于归纳式学习的交通安全分析

中国人民警官大学学报 1997年第2期 46-53页

作者：路峰陈秉正中国人民警官大学清华大学经济管理学院

道路交通系统是一个复杂系统，交通安全分析实际上是一个具有不确定性的多属性分析问题。本文以区域交通安全分析问题为背景，尝试着将归纳学习方法引入交通安全分析中来，采用极大熵分组法进行样本数据的分组；构造了反映交通安全总体... 详细信息

道路交通系统是一个复杂系统，交通安全分析实际上是一个具有不确定性的多属性分析问题。本文以区域交通安全分析问题为背景，尝试着将归纳学习方法引入交通安全分析中来，采用极大熵分组法进行样本数据的分组；构造了反映交通安全总体水平的综合指标─交通安全指数（TSI）；提取了交通安全相关模式；构造了产生式规则，用以识别交通安全综合态势；提出了交通安全智能化监测系统的理论框架。通过将归纳式学习方法运用于交通安全分析的基本问题，表明归纳式学习方法是不同于传统方法的、定性与定量相结合的、可用来支持交通安全分析的有效工具。本文的研究成呆为交通安全分析提供了新的手段，有助于提高交通安全分析方法的适用性和有效性，对道路交通安全管理的实践工作具有理论意义和应用价值。

关键词：归纳式学习交通安全交通系统

基于网络表示学习的lncRNA与蛋白质相互作用预测方法研究

在线全文

学校读者我要写书评

暂无评论

基于网络表示学习的lncRNA与蛋白质相互作用预测方法研究

作者：赵国庆山东大学

学位级别：硕士

研究表明,长非编码RNA(lncRNA)在转录、剪接等基因表达调控过程中发挥着重要作用,而且与复杂疾病的发生发展密切相关,研究lncRNA的功能对于理解生物过程的作用机制具有重要意义。然而,当前人们对lncRNA的大部分功能认识尚浅。通常lncRN... 详细信息

研究表明,长非编码RNA(lncRNA)在转录、剪接等基因表达调控过程中发挥着重要作用,而且与复杂疾病的发生发展密切相关,研究lncRNA的功能对于理解生物过程的作用机制具有重要意义。然而,当前人们对lncRNA的大部分功能认识尚浅。通常lncRNA需要与伴侣蛋白质相结合而发挥作用。因此,识别lncRNA与蛋白质之间的相互作用关系,对于理解生物过程机制具有重要意义。鉴定lncRNA-蛋白质相互作用的实验方法主要包括ChIRP、CHART、RIP、RIP-ChIP/S eq和CLIP等,但是这些实验方法是耗时而且昂贵的。随着机器学习技术的发展,开发利用生物信息学方法预测lncRNA-蛋白质相互作用被广泛研究。通过计算预测的方法识别潜在的相互作用亦可同时为实验方法提供指导,可减少实验过程中的盲目性。因此,建立高效准确的计算模型预测lncRNA-蛋白质的相互作用具有重要研究价值。当前lncRNA-蛋白质的相互作用预测方法主要分为两类:一是基于lncRNA和蛋白质的序列信息、结构信息、进化知识或物理化学性质的方法。此类模型可以对先验网络外的lncRNA和蛋白质表征和预测,但是此类方法模型性能较差,无法为实验提供有效指导信息。二是基于网络表示学习的方法。网络表示学习技术凭借强大的表征能力,在社交网络、商品推荐、生物网络功能推断等任务上取得了瞩目的成绩。基于此类方法的lncRNA-蛋白质相互作用预测模型虽性能较为优异,但是通常只具备先验网络的重构功能,而不具备网络外部样本的推断能力。针对以上问题,本文主要研究lncRNA-蛋白质相互作用预测问题,开发高性能并具有外部样本推断能力的网络表示模型与方法。本文将lncRNA-蛋白质相互作用网络视为异质网络,利用网络表示学习方法学习网络中丰富的连接关系,进而预测lncRNA-蛋白质之间的潜在关联。具体研究内容如下:(1)本文提出了一种基于异质网络嵌入模型的预测lncRNA-蛋白质相互作用的方法 LncPNet(Predicting lncRNA-Protein Interactions by Heterogeneous Network Embedding)。该方法利用lncRNA-蛋白质的相互作用数据构建异质网络,通过异质网络嵌入方法学习网络中的节点表示。其中,异质网络嵌入方法可分为以下两步:首先通过在异质网络上随机游走采样,生成具有网络语义关系的上下文。其次利用skip-gram模型学习上下文关系,从而得到网络节点的向量表示。本文在NPInterv2.0、RAID v2.0和NPInterv4.0数据集上验证了该方法的有效性,AUC分别达到0.911,0.998和0.999。相较于其他方法,实验结果表明该方法具备更好的预测性能。(2)针对lncRNA-蛋白质相互作用预测问题,通过对比实验结果发现,即使较为简单的机器学习方法通常也能取得较好的预测性能。究其原因发现,lncRNA-蛋白质相互作用网络的无尺度特性会导致模型性能的偏差估计。具体地说,在训练机器学习模型前,需要准备与正样本数量匹配的负样本,然而当前在lncRNA-蛋白质相互作用的数据库中缺少负样本对。因此,传统做法通常是通过随机采样方法生成负样本。由于lncRNA-蛋白质相互作用网络的无尺度特性,生成的负样本与真实的正样本之间存在明显的度分布差异。这种差异会被机器学习模型学习,并最终体现在模型的预测偏好上。为消除模型评估的偏差,本文提出了基于度分布平衡(Degree Distribution Balanced,DDB)的负样本生成方法。通过该负样本生成方法,正样本和负样本中lncRNA与蛋白质相应的度分布可以大体保持一致。本文在多个数据集上进行实验,结果表明该方法较好地解决了模型的预测偏好问题,使得模型评估更为客观。(3)上述LncPNet方法是一种直推式表征学习方法(Transductive learning),而非归纳式学习方法(Inductive learning)。即对于未出现在已知网络中的lncRNA与蛋白质节点,LncPNet无法对其进行表征与推断。为解决该问题,本文进一步提出了一种可推断网络表示学习的lncRNA-蛋白质相互作用预测方法(Predicting lncRNA-Protein Interactions by Inductive Network Representation Learning,iLncPNet)。并且采用上面描述的DDB方法生成负样本以对模型进行无偏评估。iLncPNet不仅从性能上超过了 LncPNet及其它已有模型,更具有先验网络外部相互作用对的推断与预测功能。

关键词： lncRNA-蛋白质相互作用预测网络表示学习异质网络嵌入负样本生成归纳式学习

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

多级特征增强的深度图表示学习模型

多级特征增强的深度图表示学习模型

作者：冯耀云南大学

学位级别：硕士

得益于计算机网络传输速度的飞快提高,现实世界中实体之间的信息流通日益频繁,大数据时代就此来临。图结构数据建模作为研究实体间交互、组织等关系特征的一种常用方法,在数据挖掘、分析等领域具有重要意义。此外,由于神经网络在特征编... 详细信息

得益于计算机网络传输速度的飞快提高,现实世界中实体之间的信息流通日益频繁,大数据时代就此来临。图结构数据建模作为研究实体间交互、组织等关系特征的一种常用方法,在数据挖掘、分析等领域具有重要意义。此外,由于神经网络在特征编码上的强大优势,已提出许多针对图结构数据的神经网络模型在推荐系统、知识图谱等图下游任务上取得巨大成功。作为图数据分析处理的首要环节,图表示学习旨在对实体节点的属性和行为关系进行特征编码,并学习节点的向量表示,许多实际应用场景已证明图表示学习的重要性。然而目前主流的图表示学习方法存在一定的问题:图卷积网络的固定传播模式无法随着层数增加而动态控制特征信息的局部流通,传统聚合器在模型深度逐渐增加时容易出现过平滑问题,以及编码器-解码器结构中的正则化重建会阻碍模型学习节点间的差异化特征,这些都可能降低模型对节点的编码质量,导致节点表示对图下游任务的适应性不强。考虑到目前工作存在的局限性,本文基于互信息最大化理论,提出一种多级特征增强的深度图表示学习模型MFADGI(Multi-level Feature Augmented Deep Graph Infomax for representation learning),该模型能以无监督的对比学习方式生成高质量的节点表示,综合提升图下游任务的性能表现。首先,设计一个多层前馈神经网络组成的特征提取器,使MFADGI可以保留节点原始属性中可辨别的差异化特征,初步增强节点表示自身的语义表达。其次,将提取器输出的节点提取表示输入至包含注意力层的深度图神经聚合器,通过节点表示的逐层传播和迭代更新,使聚合器输出的节点聚合表示可以在更广的范围内获取更多的高阶相似特征,进一步增强节点表示对上下文相关节点的语义表达。此外,为了解决深度图神经传播模型对节点表示造成的过平滑问题,本文提出一种简单并高效的跳跃连接方法,让节点在获取高阶特征的同时保持一定的独立性约束,避免自身原有特征信息的过度丢失。最后,MFADGI引入DGI策略,以保持模型对所有节点拥有一致性的编码映射规则,提高节点表示对下游任务的普适性。实验证明,在几个基准图数据集上,该模型在直推式和归纳式节点分类任务上的性能表现均超过了主流对比基线,而在链接预测任务上同样取得最优的实验结果。多项性能评估实验和理论分析均证明了本文提出MFADGI模型的有效性,其在图表示学习任务上具有更明显的优势。

关键词：图表示学习互信息最大化无监督学习直推式学习归纳式学习

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

指向时代价值的文创性研学实践初探

陕西教育（教学） 2024年第3期 4-6页

作者：雷勇军张团结深圳科学高中龙岗分校

研学即研究性学习,是一种归纳式学习过程,是指以学生为中心,在师生互动的学习环境中,基于学生原有概念,引导学生主动提出问题,并以研究者的态度主动探究和学习。教育部在《普通高中“研究性学习”实施指南(试行)》中对研究性学习进行了... 详细信息

研学即研究性学习,是一种归纳式学习过程,是指以学生为中心,在师生互动的学习环境中,基于学生原有概念,引导学生主动提出问题,并以研究者的态度主动探究和学习。教育部在《普通高中“研究性学习”实施指南(试行)》中对研究性学习进行了界定:研究性学习是学生在教师指导下。

关键词：主动探究教师指导研究性学习以学生为中心实施指南师生互动普通高中归纳式学习

在线全文

学校读者我要写书评

暂无评论

基于门控图注意力网络的归纳式文本分类

计算机系统应用 2022年第9期31卷 201-209页

作者：王晨曦张莹祺华南师范大学计算机学院广州510631

为了有效地整合文本中的复杂特征和提取不同的上下文信息,提出了基于门控图注意力网络的归纳式文本分类方法 (TextIGAT).该方法首先为语料库中的每个文档进行单独构图,并将其中所有的单词作为图中的节点,以此保留完整的文本序列.文本图... 详细信息

为了有效地整合文本中的复杂特征和提取不同的上下文信息,提出了基于门控图注意力网络的归纳式文本分类方法 (TextIGAT).该方法首先为语料库中的每个文档进行单独构图,并将其中所有的单词作为图中的节点,以此保留完整的文本序列.文本图中设计单向连接的文档节点,使词节点能与全局信息交互,并合并不同的上下文关系连接词节点,从而在单个文本图中引入更多的文本信息.然后,方法基于图注意力网络(GAT)和门控循环单元(GRU)来更新词节点的表示,并根据图中保留的文本序列应用双向门控循环单元(Bi-GRU)来增强节点的顺序表示. TextIGAT能灵活地整合来自文本本身的信息,因此能对包含新词和关系的文本进行归纳式学习.在4个基准数据集(MR、Ohsumed、R8、R52)上的大量实验和详细分析表明了所提出的方法在文本分类任务上的有效性.

关键词：文本分类图神经网络上下文信息归纳式学习自然语言处理