公共文化服务平台

搜索到731篇“ 时序图“的相关文章

一种用于时序图的图形表述方法: 2024年; 引言传统时序图在描述复杂行为方面存在显著局限性,尤其在活动、分组、回调、状态、注解、截止和转移等方面缺乏有效的定义和表达方式,难以全面准确地刻画系统中的动态行为和交互过程。本文提出一种用于时序图的图形表述方法,支持拖拽部组件到图形区,对事件流进行分组定义;支持活动定义符、回调符、状态符、注解符和截止符等符号创建,详细描述事件流过程。; 李春曦杜姣陈晨; 关键词：时序图交互过程回调注解

融合社团信息的时序图链路预测算法: 2024年; 时序图旨在表示现实世界中实体之间的时序交互关系,而时序图链路预测是建模这种关系的重要方法。现有基于表示学习的时序图链路预测方法通常基于时序图神经网络建模节点之间交互,并将时间信息融入到图神经网络的消息传递机制中以捕捉交互中的时序关联。时序图神经网络输出的节点嵌入作为时序图表示学习的结果被用于链路预测任务。然而,现有的方法仅考虑了节点之间的交互,而忽视了时序图中广泛存在的社团结构。为解决这一问题,提出一种融合社团信息的时序图链路预测算法(TLPC)。不同于传统社区划分的方法,该方法关注节点邻域社团的表示学习。在节点特征的基础上,引入对比学习技术,使用邻域结构特征采样出正样本和负样本进行对比学习约束,以编码节点所在邻域社团。所学习到的节点邻域社团编码可以有效提升节点嵌入的表示能力,从而提升链路预测的有效性。在四个真实数据集上的时序链路预测任务的实验结果表明,TLPC的准确率相比现有方法平均提升6.47%,F1平均提升6.77%,同时训练时间平均减少62.27%。; 吴翔高玉金李荣华王国仁; 关键词：社团结构

基于时序图推理的设备剩余使用寿命预测被引量：2: 2024年; 剩余使用寿命(Remaining useful life,RUL)预测是大型设备故障预测与健康管理(Prognostics and health management,PHM)的重要环节,对于降低设备维修成本和避免灾难性故障具有重要意义.针对RUL预测,首次提出一种基于多变量分析的时序图推理模型(Multivariate similarity temporal knowledge graph,MSTKG),通过捕捉设备各部件的运行状态耦合关系及其变化趋势,挖掘其中蕴含的设备性能退化信息,为寿命预测提供有效依据.首先,设计时序图结构,形式化表达各部件不同工作周期的关联关系.其次,提出联合图卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)的深度推理网络,建模并学习设备各部件工作状态的时空演化过程,并结合回归分析,得到剩余使用寿命预测结果.最后,与现有预测方法相比,所提方法能够显式建模并利用设备部件耦合关系的变化信息,仿真实验结果验证了该方法的优越性.; 刘雨蒙郑旭田玲王宏安

基于时序图卷积的动态网络链路预测: 2024年; 动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link prediction based on sequential graph convolution, DNLP-SGC).针对网络快照序列不能有效反映动态网络连续性的问题,采用边缘触发机制对原始网络权重矩阵进行修正,弥补了离散快照表示动态网络存在时序信息丢失的不足.从网络演化过程出发,综合考虑节点间的特征相似性以及历史交互信息,采用时序图卷积提取动态网络中节点的特征,该方法融合了节点时空依赖关系.进一步,采用因果卷积网络捕获网络演化过程中潜在的全局时序特征,实现动态网络链路预测.在2个真实的网络数据集上的实验结果表明,DNLP-SGC在precision, recall, AUC指标上均优于对比的基线模型.; 刘琳岚冯振兴舒坚; 关键词：动态网络链路预测

面向时序图的季节突发性子图挖掘算法: 2024年; 时序图是一类边上带有时间戳信息的图.在时序图中,季节突发性子图是在多个时间周期内具有突发性特征的稠密子图,它可以用于社交网络中的活动发现和群体关系分析.然而以前大多数的研究主要集中在识别没有时间信息的网络中的稠密子图.为此,提出一种极大(ω,θ)-稠密子图模型对时序图中的季节突发性子图进行建模.所提模型表示时序图中在至少ω个长度不小于θ的时间段内快速累积密度的子图.为了挖掘出时序图中所有的极大(ω,θ)-稠密子图,将该类挖掘问题转化为一个混合的整数规划问题,包括挖掘最稠密子图和寻找突发值最大化时间段集合两个子问题,并给出有效的解决方案.进一步基于key-核模型和动态规划思想设计两种优化策略来提升算法的性能.实验表明所提模型能够真实地反映现实世界中具有季节突发性的行为模式.同时在5个真实时序网络中验证了所提算法的有效性、效率和可扩展性.; 张千桢郭得科赵翔; 关键词：时序图

面向金融风险预测的时序图神经网络综述被引量：1: 2024年; 金融风险预测在金融市场监管和金融投资中扮演重要角色,近年来已成为人工智能和金融科技领域的热门研究主题.由于金融事件的实体之间存在复杂的投资、供应等关系,现有的金融风险预测研究常利用各种静态和动态的图结构来建模金融实体间的关系,并通过卷积图神经网络等方法将相关的图结构信息嵌入金融实体的特征表示中,使其能够同时表征金融风险相关的语义和结构信息.然而,以前的金融风险预测综述仅关注了基于静态图结构的研究,这些研究忽视了金融事件中实体间关系会随时间动态变化的特性,降低了风险预测结果的准确性.随着时序图神经网络的发展,越来越多的研究开始关注基于动态图结构的金融风险预测,对这些研究进行系统、全面的回顾有助于学习者构建面向金融风险预测研究的完整认知.根据从动态图中提取时序信息的不同途径,首先综述3类不同的时序图神经网络模型.然后,根据不同的图学习任务,分类介绍股价趋势风险预测,贷款违约风险预测,欺诈交易风险预测,以及洗钱和逃税风险预测共4个领域的金融风险预测研究.最后,总结现有时序图神经网络模型在金融风险预测方面遇到的难题和挑战,并展望未来研究的潜在方向.; 宋凌云马卓源李战怀尚学群; 关键词：贷款违约风险

大规模时序图中最短路径查询算法研究与应用: 时序图包含顶点和带有时间信息的时序边,是一种顶点间的关系会随着时间变化的图结构。最短路径查询是图算法研究中的一个基础且重要问题,在很多实际场景中具有广泛应用。然而,现有的大多最短路径查询算法仅关注于返回查询节点间的一条最...; 林秋兰; 关键词：时序图最短路径

基于时序图神经网络的潜在高价值专利识别研究: 2024年; 高价值专利是构建当前“国内国际双循环”新发展格局的核心资源,也是促使我国在国际经济新秩序中立足战略制高点、全面推进科技自立自强的核心要素,准确识别潜在的高价值专利是对其进行价值培育与技术转化的关键性步骤。本文在充分挖掘中国专利奖获奖专利特征的基础上,综合利用Patent-BERT(bidirectional encoder representations from transformers for patent)与图深度学习算法,在融合专利评估指标、文本特征的基础之上,提出了基于图卷积神经网络(graph convolutional network,GCN)与长短时记忆网络(long short-term memory,LSTM)的潜在高价值专利识别模型。本文的创新点主要体现在两个方面:(1)修正了已有研究中仅关注诸如专利增长速度、合作潜力等“数量”特征而缺乏对文本语义深度理解的弊端,从文本语义与专利计量维度构建专利价值的表示模型;(2)考虑到专利价值的时序变化性,从动态视角探索了专利价值的演化规律,为专利价值的挖掘与评估提供了新的研究思路。最后,本文对node2vec、doc2vec、GCN、MLP(multilayer perceptron)等多种模型进行性能对比,研究结果表明,本文模型在多项指标上的表现均优于对照模型,从而有效验证了本文方案的高效性与稳健性。; 周潇王博胡玉琳韦楚楚

时序图的生成方法和电子设备: 本申请提出一种时序图的生成方法和电子设备，属于软件开发技术领域。该方法通过对Java应用的class文件进行静态分析，模拟代码的执行过程，可获取执行各个方法调用指令时传递的参数信息，从而可通过执行各个方法调用指令时传递的...; 郑祎

基于图神经网络的时序图链接预测: 陈昌汶

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈