摘要：综合考虑异质信息网络具有的复杂性和异质性的特点,提出一种异质网中基于图卷积神经网络(heterogeneous graph convolution neural network embedding,HeGCNE)的链路预测方法。针对经典图卷积神经网络逐层传递规则的不足,提出改进的逐层传递规则,对异质节点进行表征学习,融合对抗学习优化节点表征;在此基础上,利用节点的哈达玛积构造连边表征,将连边表征放入基于梯度提升树算法的二分类器,解决异质网络的链路预测问题。实验结果表明,改进后的方法可以有效提高链路预测的准确性和稳定性。

摘要：文献数据库标引工作单是数据存贮的一种著录格式,是全面展示数据库主题内容、主要数据标识和形式特征的记录单元。本文对国内外20多种文献数据库标引工作单进行了分析和研究,重点对工作单中的必选数据项、任选数据项和特殊设计进行了比较。

摘要：咽拭子采集机器人对采集人的表情识别、情绪表达等感知交互,对于咽拭子采集机器人成功执行任务具有重要的意义。咽拭子机器人采集到的数据样本在训练过程中要解决遮挡去除及微表情识别的拓展、自采集数据集的定义、关键帧识别及处理、表情分类及划定、交互集成等关键问题。针对以上问题,设计了一种高效自修复网络(efficient self-cured network,ESCN),构建了具有类识别人脸能力的特征提取加权模型,通过多尺度注意力机制捕捉受试者的面部表情区,通过重标签校正的线性聚合模型识别咽拭子采集者的面部表情。实验在真实数据集RAF-DB、FER2013和自采集数据集上进行验证。实验结果表明,ESCN比经典模型的准确率提升4.643~11.058个百分点,同时参数量相对较小,便于轻量化和集成。

摘要：近年来,网络表示学习(Network Representation Learning,NRL)作为一种在低维空间中表示节点来分析异质信息网络(Heterogeneous Information Networks,HIN)的有效方法受到越来越多的关注。基于随机游走的方法是目前网络表示学习常用的方法,然而这些方法大多基于浅层神经网络,难以捕获异质网络结构信息。图卷积神经网络(Gragh Convolutional Network,GCN)是一种流行的能对图进行深度学习的方法,能够更好地利用网络拓扑结构,但目前的GCN设计针对的是同质信息网络,忽略了网络中丰富的语义信息。为了有效地挖掘异质信息网络中的语义信息和高度非线性的网络结构信息,进而提高网络表示的效果,文中提出了一种基于融合元路径的图卷积异质网络表示学习算法(MG2vec)。该算法首先通过基于元路径的关联度量方法来获取异质信息网络中丰富的语义信息;然后采用图卷积神经网络进行深度学习,捕捉节点和邻居节点的特征,弥补浅层模型捕捉网络结构信息能力不足的缺陷,从而实现将丰富的语义信息和结构信息更好地融入低维的节点表示中。在数据集DBLP和IMDB上分别进行实验,相比DeepWalk,node2vec和Metapath2vec算法,所提MG2vec算法在多标签分类任务上的分类精确率更高且性能更优,精确率和Macro-F1值分别达到了94.49%和94.16%,且与DeepWalk相比分别最高提升了26.05%和28.73%。实验结果证明,MG2vec算法的性能优于经典的网络表示学习算法,具有更好的异质信息网络表示效果。