基于智能体的音乐传播模型仿真分析

为了提高音乐传播效率,设计一种基于智能体的音乐传播模型,模型主要由音乐传播环境类、音乐传播智能体类两种智能体类构成。音乐传播智能体类的属性主要分为传播意愿程度、传播机率、再传播机率、传播次数和自身等级;音乐传播环境类的属性即为音乐传播智能体类的参与度。两种智能体类主要通过音乐信息传播交互规则实现音乐传播。研究发现,音乐信息价值越大,音乐传播智能体的数量越多,则音乐传播智能体间的音乐信息传播速度越快;音乐信息价值较大,传播群体的传播意愿程度也会出现明显的上升。与同类传播模型相比,基于智能体的音乐传播模型的传播效率较快,使用价值显著。     

多关系社交网络中社团结构发现算法

社交网络的节点之间存在着多种关系,这些关系共同决定了网络中节点的社团结构划分。为了准确地发现多关系社交网络中的社团结构,通过研究信息在多子网复合复杂网络模型上的传播过程,提出了一种多关系网络中的社团结构发现算法。该算法基于多子网复合复杂网络模型建立的多关系社交网络,利用信息在多关系社交网络中的传播过程,将网络中的节点转化成能够被聚类算法处理的向量形式,进而采用聚类算法完成多关系社交网络中的社团结构划分。该算法综合考虑了网络中多种关系的相互作用以及异质节点间的相互影响,得到的传播信息量矩阵表示了各节点在整个网络中的影响力,并将影响力相似的节点划分到同一个社团结构中。实验结果显示,与传统社团结构发现算法相比,该算法不仅在准确度上有所提高,还能将异质节点划分到一个社团中,可以根据用户不同需求挖掘出多关系社交网络中的隐藏信息。     

结合深度学习的网络邻居结构研究及应用

通过研究网络的拓扑结构可以探索到丰富的知识,特别是网络中节点的邻居可以形成不同的邻居结构,而不同的结构蕴含着不同的意义,进而也有着不同的影响。实际上,邻居结构与节点的交互行为之间是互相影响、互为因果的。对三种最为普遍的邻居结构进行分析,并提出结合深度学习的网络邻居结构影响力模型DNSI(neighbor structure influence based on deep learning)。通过对图片格式的网络数据提取特征,DNSI可以得到三种邻居结构影响力。分别在几个真实世界网络数据集上进行节点属性预测、类别中心度度量和用户行为预测等任务,实验结果表明该模型在绝大多数情况下具有优越性。     

基于改进灰狼算法的铁路隧道射线跟踪模型校正

针对灰狼优化（grey wolf optimization，GWO）算法易陷入局部最优和收敛精度差的问题，提出了一种基于对立搜索和Levy飞行策略的改进灰狼优化算法——OLGWO算法.在算法初始化阶段，采用对立搜索策略以缩小可行解范围；在灰狼位置更新过程中，为避免算法陷入局部最优采用了Levy飞行策略.4个标准测试函数的仿真实验表明，所提OLGWO算法在收敛速度及求解精度方面均优于GWO算法，可以较快且准确地搜索到目标函数的最优值.基于OLGWO算法对隧道射线跟踪传播模型进行校正的结果表明，校正后的模型在均方根误差和线性相关性方面具有较优的性能，能够实现铁路隧道环境中信号接收功率的精确预测.     

粒子群属性聚类的位置隐私保护

针对基于位置服务中连续查询情况下，用户自身属性信息很容易被攻击者获取，并通过关联获得用户位置隐私的情况，提出了一种利用粒子群聚类加速相似属性用户寻找，并由相似属性匿名实现用户位置泛化的隐私保护方法。该方法利用位置隐私保护中常用的可信中心服务器，通过对发送到中心服务器中的查询信息进行粒子群属性聚类，在聚类的过程中加速相似属性用户的寻找过程，由相似属性用户完成位置泛化，以此实现位置隐私保护。实验结果证明，这种基于粒子群属性聚类的隐私保护方法具有高于同类算法的隐私保护能力，以及更快的计算处理速度。     

基于空间分布的毒品传播预测及溯源方法研究

近10年来,毒品的非法使用已然成为全球各国的社会公共健康问题。据保守估计,中国是全球使用静脉注射毒品人数最多的国家之一,在全国范围内统计在册的人数高达133万,但实际的人数远高于此,加快了艾滋病和丙型肝炎等疾病的传播速度,严重危害人类的生命健康。因此,对毒品传播的预测和溯源成为社会安定研究的一大热点。笔者即对此进行研究,以期为相关研究提供借鉴。     

基于粗糙集的属性约简及其在高校就业数据分析中的应用

粗糙集理论是数据分析与知识发现的数学工具,近年来已被广泛应用于各个研究领域。本文利用粗糙集理论的属性约简算法,找出了影响高校数学专业学生就业的约简集。研究成果可以帮助高校学生更好地制定职业规划,为将来就业提供一定的帮助。     

基于多注意力长短时记忆的实体属性情感分析

属性情感分析是细粒度的情感分类任务。针对传统神经网络模型无法准确构建属性情感特征的问题，提出了一种融合多注意力和属性上下文的长短时记忆（LSTM-MATT-AC）神经网络模型。在双向长短时记忆（LSTM）的不同位置加入不同类型的注意力机制，充分利用多注意力机制的优势，让模型能够从不同的角度关注句子中特定属性的情感信息，弥补了单一注意力机制的不足；同时，融合双向LSTM独立编码的属性上下文语义信息，获取更深层次的情感特征，有效识别特定属性的情感极性；最后在SemEval2014 Task4和Twitter数据集上进行实验，验证了不同注意力机制和独立上下文处理方式对属性情感分析模型的有效性。实验结果表明，模型在Restaurant、Laptop和Twitter领域数据集上的准确率分别达到了80.6%、75.1%和71.1%，较之前基于神经网络的情感分析模型在准确率上有了进一步的提高。