摘要：为提升结构时变稳健可靠性能并兼顾区间变量参数描述精度,提出一种基于遗传区间仿射响应面的结构优化设计方法。首先,根据结构性能分析方法获取结构性能响应,并提取结构不确定性因素。其次,构建结构参数化分析模型并开展试验设计,将试验设计过程分别存储为设计变量及结构性能响应两种数据库,基于区间仿射理论初步构建结构区间仿射响应面,依据设计变量数据库的各变量样本边界及结构性能分析结果,利用遗传算法及误差最小化判别准则优化初始区间仿射响应面,并利用结构性能响应数据库验证优化后响应面的有效性。最后,结合结构性能退化行为及稳健可靠性优化方法,构建结构时变稳健可靠性优化模型并开展结构优化设计,通过工程算例验证了所提优化设计方法的合理性。算例分析表明,遗传区间仿射响应面能够更合理地反映出结构响应的波动区间,所提优化方法能够有效提升结构稳健可靠性水平。

摘要：社交媒体蓬勃发展带来信息服务与信息沟通的颠覆式变革。原生广告兴起引发学者对赞助披露规范与机制的新审视。本文基于系统述评及文献计量,呈现赞助披露研究进展,诠释现有研究理论视角、研究范式,厘清赞助披露七种模式及区别,结合说服知识模型和叙事说服理论提出双说服路径赞助披露广告刺激反应模型,从信息加工及关系视角解构社交媒体赞助披露对广告效果的影响,拓展了原生广告理论研究,为数字经济下的信息系统实践带来启示。

摘要：空间众包技术在现实物理世界中有着丰富的应用场景,得到学术界和工业界的广泛关注.任务分配是空间众包的主要研究问题之一,即把工人分配给合适的任务.但是现有的任务分配方法大多假设众包工人和空间任务出现的位置和时间是已知的,忽略了真实的众包平台中众包工人和空间任务的动态变化,由于空间众包平台的强时效性,这种情况下设计的分配方式只能得到局部最优分配结果.提出最大价值最小成本任务分配的新问题,目标是对当前和未来的工人进行分配,使用最小的移动成本获得最大的分配价值.为解决这一问题,提出了基于轨迹的任务分布预测方法及基于核密度估计的工人分布预测方法,设计基于位置预测的任务分配算法来计算众包工人和空间任务的相对最优分配策略.所提位置预测方法利用图卷积神经网络和ConvLSTM模型进行预测,相较传统基于网格的位置分布预测更加精确和稳定.基于位置预测的启发式分配算法可以在线性时间内结合预测得到的位置信息完成任务分配,更加契合空间众包平台的强时效性.在真实数据集上进行大量实验来证明所提方法的有效性,相比于基于网格的预测方法,任务/工人位置预测准确率分别提高了15.7%和18.8%.

摘要：不平衡数据是机器学习中普遍存在的问题并得到广泛研究,即少数类的样本数量远远小于多数类样本的数量.传统基于最小化错误率方法的不足在于:分类结果会倾向于多数类,造成少数类的精度降低,通常还存在时间复杂度较高的问题.为解决上述问题,提出一种基于样本空间分布的数据采样方法,伪负样本采样方法.伪负样本指被标记为负样本(多数类)但与正样本(少数类)有很大相关性的样本.算法主要包括3个关键步骤:1)计算正样本的空间分布中心并得到每个正样本到空间中心的平均距离;2)以同样的距离计算方法计算每个负样本到空间分布中心的距离,并与平均距离进行比较,将其距离小于平均距离的负样本标记为伪负样本;3)将伪负样本从负样本集中删除并加入到正样本集中.算法的优势在于不改变原始数据集的数量,因此不会引入噪声样本或导致潜在信息丢失;在不降低整体分类精度的情况下,提高少数类的精确度.此外,其时间复杂度较低.经过13个数据进行多角度实验,表明伪负样本采样方法具有较高的预测准确性.

摘要：[目的/意义]公众认知敏锐度是评价政府开放数据基本土壤的维度之一,对提高用户认知效果具有重要实践意义。[方法/过程]从故事化和传统型两种信息表征方式对照比较政府开放数据用户认知效果。通过JAVA设计贵阳市新冠病毒疫情防控数据故事化实验平台,分别对实验组和对照组进行先验图式、认知负荷、客观成绩的测量,并深入访谈实验用户,获取认知差异的原因。[结论/结果]政府开放数据故事化与传统型信息表征方式具有显著差异,数据故事化降低用户认知负荷并提升记忆效果,增强用户多重感知。

摘要：针对大多数位置预测算法缺乏综合考虑社交关系以及移动模式对用户时空行为的影响,提出一种融合信任圈和移动模式的位置预测框架FTM(a location prediction framework based on trust circle and mobilitypattern)来预测用户的下一个签到位置。通过分析Gowalla数据集提出一种称为信任圈的新型社交圈,并从中划分出具有代表性的三类社交关系;利用多社交圈模型模拟评估不同信任圈的影响力;根据用户移动模式的特征提出了直接访问模式以及多元访问模式,并利用加权的方法计算不同移动模式的影响力;在真实数据集上进行对比实验,实验结果表明:FTM框架在预测下一签到位置较其他代表性算法具有更高的准确率,平均准确率可以达到92.6%以上,并且随着空间阈值的变化,FTM较其他方法表现出更好的鲁棒性。

摘要：数据库技术是现代计算机软件技术中不可或缺的一部分,在各个行业中都发挥着十分重要的作用。但是,伴随着时代的发展,互联网和云计算要求数据库能够有效地存储和处理大数据,使传统的关系型数据库软件工具能力难以应对新的应用场景。其中,索引对于提升复杂数据集上检索任务的效率有着非常重要的意义。机器学习近年来取得了长足的发展,为数据库索引推荐技术提供了新的机遇。首先叙述了索引推荐的研究背景与挑战;然后,将索引推荐分为索引生成与索引选择2个阶段,分别对这2个阶段的相关技术进行论述;最后,对基于学习的数据库索引推荐技术做了介绍与展望,其中,重点介绍了索引生成与索引选择。索引生成阶段包含基于学习的范围索引、哈希索引、布隆过滤器等,总结了基于学习的索引生成技术的优缺点;对于索引选择阶段,将传统方法与基于学习的方法进行对比与分析,重点叙述强化学习解决索引选择问题。

摘要：连接顺序选择是查询优化领域中极具挑战性的研究方向,对于数据库管理系统获得良好的查询性能至关重要.然而,传统优化方法和现有智能优化方法均存在着不足,如规划时间过长、容易得到质量较差的连接计划、编码未考虑结构特征、依赖基数估计和代价估计使得连接计划无法反映真实的执行时间等.针对上述问题,提出了一种新型基于异步Dueling DQN(Deep Q-network)和计划时间预测网络的连接优化器:ADP-Join(Asynchronous Dueling DQN and Plan Latency Prediction Network for Join Order Selection).ADP-Join集成了一种新的编码方法,能够区分不同结构的连接计划.ADP-Join设计了计划时间预测网络PLN(Plan Latency Prediction Network)来改善现有基于强化学习优化器的奖励机制.再者,提出异步更新机制改进Dueling DQN模型来提升训练性能和减少训练时间.大量的实验结果表明,在TPC-H和JOB真实数据集上ADP-Join的性能优于现有的智能优化器.

摘要：网络流量监控与分析(Network Traffic Monitoring and Analysis,NTMA)作为网络管理技术的关键组成部分,能够有效提高互联网等大型网络的健壮性。然而随着互联网业务的复杂性和通信量不断增加,如何设计具有高可扩展性、实时性和高安全性的NTMA应用是一个极其重要且严峻的挑战。将大数据处理技术引入NTMA应用,能够有效提升数据传输过程中的信息量、传输速率、多样性以及准确性。为了进一步研究面向大数据的NTMA算法,首先介绍NTMA算法的背景技术,包括现有的大数据技术和NTMA应用框架;其次,介绍NTMA应用的数据管理技术,并详细阐述数据管理的主要流程和关键技术;最后,概述基于大数据的NTMA框架的最新研究方法。

摘要：模糊分析方法已广泛应用于医学实践包括对心理疾病的辅助诊断.属性约简方法在过滤冗余信息并提取关键信息时起到了重要作用,使整个临床决策过程更加准确和高效.这些方法抽取的有价值信息可以从新的视角揭示深层次医学知识.很多未经培训的参与者很难识别心理量表中选项间模糊的界线,即很难区分拥有相同意义但程度不同的选项.临床心理学自身的模糊性和心理测量数据的模糊性都将带来噪声.如果将心理测量数据中的属性看作信息系统的条件属性,利用降维算法可提取关键属性,从而简化对疑似患者的临床筛查过程.实际使用时,可对提取的关键属性或者拥有高权重的属性进行重点关注,从而迅速定位拥有异常关键属性的患者,对其优先处理.由此该文提出一种称为FOAD(Fuzzy-Option based Attribute Discriminant method)的基于模糊选项关系的关键属性提取方法,包括三个主要步骤:数据获取、模糊选项的选择与约简以及关键属性的排序与提取.每个参与者样本包含若干身体症状属性,为每个属性都选择一个程度选项.选择模糊选项时须同时考虑选择该选项的样本数量和选项的程度含义.而模糊选项约简算法作为整个方法的核心,可以将模糊选项合并到其他选项,以降低心理测量数据中选项的模糊度.实验中采用两个真实临床数据集验证FOAD算法的性能.首先使用各种属性提取算法对测试数据集进行处理,获取关键属性,然后将输出的关键属性作为条件属性,以诊断结论作为分类标签,利用逻辑回归方法对样本数据进行分类.实验结果表明:FOAD算法在不增加时间复杂度的前提下能将分类准确率普遍提高3.3%～14.1%.虽然选项约简操作造成部分信息的损失,但是合并模糊选项使选项分布更加清晰.FOAD作用下的LDA(Linear Discrimination Analysis)对各种参数敏感,尤其是对保留属性的个数.LDA的预测准确率从保留最少属性时提高6.7%,上升到保留最多属性时提高14.1%.PCA(Principal Component Analysis)算法选择的投影方向会使数据方差最大,保留的信息量最多,但分类效果差.因此FOAD算法很难应用于提高PCA的预测准确率,甚至在个别情况下,出现了FOAD引起PCA分类准确率降低的情况.此外,实验发现基于FOAD的LDA算法比其他属性模糊提取算法具有更高预测准确率.心理诊断数据具有明显的模糊性,一般的统计分析方法往往不能得到需要的结果.而利用最新的模糊集和粗糙集等特殊的数据预处理方法可以消除这种数据噪声,提高临床诊断效果.