基于节点相似度的无监督属性图嵌入模型

属性图嵌入旨在将属性图中的节点表示为低维向量,并同时保留节点的拓扑信息和属性信息.属性图嵌入已经有一系列相关工作,然而它们大多数提出的是有监督或半监督的算法.在实际应用中,需要标记的节点数量多,导致这些属性图嵌入算法的难度大,且需要消耗巨大的人力物力.针对上述问题以无监督的视角重新分析,提出了一种无监督的属性图嵌入算法...     

All Ag Nanoparticles Are Not the Same: Covalent Interactions between Ag Nanoparticles and Nitrile Groups Help Combat Drug- and Ag-Resistant Bacteria

Antimicrobial resistance has long been viewed as a lethal threat to global health. Despite the availability of a wide range of antibacterial medicines all around the world, organisms have evolved a resistance mechanism to these therapies. As a result, a scenario has emerged requiring the development of effective antibacterial drugs/agents. In this article, we exclusively highlight a significant finding reported by Zbořil and associates (Adv. Sci. 2021, 2003090). The authors construct a covalently bounded silver-cyanographene (GCN/Ag) with the antibacterial activity of 30 fold higher than that of free Ag ions or typical Ag nanoparticles (AgNPs). Ascribed to the strong covalent bond between nitrile and Ag, an immense cytocompatibility is shown by the GCN/Ag towards healthy human cells with a minute leaching of Ag ions. Firm interactions between the microbial membrane and the GCN/Ag are confirmed by molecular dynamics simulations, which rule out the dependence of antibacterial activity upon the Ag ions alone. Thus, this study furnishes ample scope to unfold next-generation hybrid antimicrobial drugs to confront infections arising from drug and Ag-resistant bacterial strains.     

Synthesis and characterization of polypyrrole/graphitic carbon nitride/niobium pentoxide nanocomposite for high-performance energy storage applications

Graphitic carbon nitride (GCN) has been employed as a supercapacitor electrode because of its high carbon-to-nitrogen ratio and flexible structure. However, its low surface area and poor conductivity continue to be obstacles for practical usage. GCN's electrochemical characteristics are enhanced by the hybrid structure it forms with polypyrrole and Nb₂O₅. The synthesized polypyrrole (Ppy)/GCN/niobium pentoxide (Nb₂O₅) (Ppy/GCN/Nb₂O₅) nanocomposite electrode was tested for supercapacitance by cyclic voltammetry (CV) and Alternating current impedance techniques in 6 M Potassium hydroxide(KOH) electrolyte. The Ppy/GCN/Nb₂O₅ is linked to a network of agglomerated GCN and Nb₂O₅ nanoparticles with additional spherical shapes. The specific capacitance of Ppy/GCN/Nb₂O₅ was determined to be 1177 Fg⁻¹ at a current density of 5 Ag⁻¹. The Ppy/GCN/Nb₂O₅ electrode in KOH has average specific energy and specific power densities of 33 Wh kg⁻¹ and 2991 W kg⁻¹, respectively. The electrode showed excellent capacitance-retention ability of 97% after 10,000 cycles. The results demonstrate the high stability and efficient performance of the Ppy/GCN/Nb₂O₅ electrode employed in supercapacitors. The performance of the Ppy/GCN/Nb₂O₅ electrode was found to be superior to those reported for other carbon-based materials.     

基于图卷积的视网膜血管轮廓及高不确定度区域细化框架

针对传统卷积神经网络(convolutional neural network, CNN)受感受野大小的限制,无法直接有效地获取空间结构及全局语义等关键信息,导致宽血管边界及毛细血管区域特征提取困难,造成视网膜血管分割表现不佳的问题,提出一种基于图卷积的视网膜血管分割细化框架。该框架通过轮廓提取及不确定分析方法,选取CNN粗分割结果中潜在的误分割区域,并结合其提取的特征信息构造出合适的图数据,送入残差图卷积网络(residual graph convolutional network, Res-GCN)二次分类,得到视网膜血管细化分割结果。该框架可以作为一个即插即用模块接入任意视网膜血管分割网络的末端,具有高移植性和易用性的特点。实验分别选用U型网络(U-neural network, U-Net)及其代表性改进网络DenseU-Net和AttU-Net作为基准网络,在DRIVE、STARE和CHASEDB1数据集上进行测试,本文框架的Sp分别为98.28%、99.10%和99.04%,Pr分别为87.97%、88.87%和90.25%,证明其具有提升基准网络分割效果的细化能力。     

基于实体活跃度及复制生成的时序知识图谱推理

现有时序知识图谱推理主要是基于静态知识图谱的推理方法,通过知识图谱的结构特征挖掘潜在的语义信息和关系特征,忽略了实体时序信息的重要性,因此提出一种基于实体活跃度及复制生成机制的时序知识图谱推理方法（EACG）。首先,通过改进的图卷积神经网络对多关系实体建模,有效挖掘知识图谱的潜在语义信息和结构特征。其次,时序编码器基于实体活跃度学习实体的时序特征。最后,使用复制生成机制进一步学习知识图谱的历史信息,提升对时序数据建模的能力。在时序知识图谱数据集ICEWS14、ICEWS05-15、GDELT上推理的实验结果表明,EACG在MRR评估指标中分别优于次优方法2%、10%和5%。     

融合用户需求和边界约束的平面图生成算法

平面图设计是房屋设计的重要过程,而现有的自动化平面图设计方法缺乏考虑用户需求和建筑边界的共同约束,存在生成房间形状缺角、房间之间遮挡严重以及房间超越边界的布局不合理问题。针对上述问题,提出一种融合用户需求和边界约束的房屋平面图生成对抗网络（GBC-GAN）,它由约束布局生成器和房间关系鉴别器构成。首先,将用户指定的房屋布局需求（包括房间数量和类型以及房屋之间的邻接方位关系）转化为约束关系图结构,之后对建筑边界和约束关系图分别编码并进行特征融合;然后,在约束布局生成器中引入边界框预测模块以将平面图生成问题转化为各房间对象边界框生成问题,并利用几何边界优化损失来解决房间之间遮挡严重、房间超越边界的问题;最后,将房间边界框布局和约束关系图输入到房间关系鉴别器训练生成符合房间对象及其关系的平面图布局。在大型真实建筑数据集RPLAN上,该方法的弗雷歇距离（FID）和结构相似性指数（SSIM）比House-GAN方法分别提升了4.39%和2.3%。实验结果表明,在不同用户需求和边界限制条件下,所提方法提高了房屋平面图的合理性和真实性。     

基于高分辨率网络和图卷积网络的三维人体重建模型

针对单目图像重建人体时出现的头部姿态翻转和图像特征间隐式空间线索缺失的问题,提出了一种基于高分辨率网络（HRNet）和图卷积网络（GCN）的三维人体重建模型。首先利用HRNet和残差块作为主干网络从原始图像中提取丰富的人体特征信息,然后使用GCN来捕获特征之间隐式的空间线索以获得空间精确的特征表示,最后使用此特征来预测多人线性蒙皮模型（SMPL）的参数以得到更加准确的重建结果;同时为了有效解决人体头部姿态翻转的问题,对SMPL的关节点重新进行了定义,在原有关节的基础上增加对头部关节点的定义。实验结果表明,所提模型能够准确地重建出三维人体,在2D数据集LSP上的重建准确率达到了92.41%,在3D数据集MPI-INF-3DHP上的关节误差和重建误差也大幅降低,平均误差仅分别为97.73 mm和64.63 mm,验证了所提模型在人体重建领域的有效性。     

基于One-Shot聚合自编码器的图表示学习

自编码器（AE）是一种高效的图数据表示学习模型,但大多数图自编码器（GAE）为浅层模型,其效率会随着隐藏层的增加而降低。针对上述问题,提出基于One-Shot聚合（OSA）和指数线性（ELU）函数的GAE模型OSA-GAE和图变分自编码器模型OSA-VGAE。首先,利用多层图卷积网络（GCN）构建编码器,并引入OSA和ELU函数;然后,在解码阶段使用内积解码器恢复图的拓扑结构;此外,为了防止模型训练过程中的参数过拟合,在损失函数中引入正则化项。实验结果表明,OSA和ELU函数可以有效提高深层GAE的性能,改善模型的梯度信息传递。在使用6层GCN时,基准引文数据集PubMed的链接预测任务中,深层OSA-VGAE相较于原始的VGAE在ROC曲线下的面积（AUC）和平均精度（AP）上分别提升了8.67和6.85个百分点,深层OSA-GAE相较于原始的GAE在AP和AUC上分别提升了6.82和4.39个百分点。     

基于图卷积网络的客服对话情感分析

随着电力业务的发展, 客服环节时刻产生着大量的数据, 然而传统对话数据情感检测方法对于客服质量检测的手段存在着诸多的问题和挑战. 本文根据词语出现的排列和定位构建字图, 对整个语句进行非连续长距离的语义建模; 并针对文档不同组成部分之间的关系, 对语句上下文之间的交互依赖或自我依赖关系进行建模; 最后通过卷积神经网络对所构建的图进行特征提取和邻域节点的特征聚合以得到文本的最终特征表示, 进而实现客服通话过程中的情绪状态检测. 通过实验证明本文提出的模型情感分类性能指标始终高于基线模型, 这表明融合词共现关系、顺序语句上下文编码和交互语句上下文编码结构可以有效提高情感类别检测精度. 该方法为智能化、自动化地检测客服通话过程中的情绪状态提供了更细粒度的分析, 为有效地提高客服服务质量具有重要意义.     

结合图卷积的深层神经网络用于文本分类

随着图卷积网络的发展,图卷积网络已经应用到很多任务中,其中就包含文本分类任务。通过将文本数据表示成图数据,进而在图上应用图卷积,从而捕获文本的结构信息和单词间的长距离依赖关系获得了良好的分类效果。但将文本建模成图模型后,图卷积网络面临着文本上下文语义信息和局部特征信息表示不充分的问题。提出一种新的模型,利用双向长短时记忆网络（Bi_LSTM）和卷积神经网络（CNN）混合提取文本的上下文语义信息和局部特征信息去丰富图卷积网络（GCN）的文本表示,从而弥补图卷积网络的不足,同时使用图池化层筛选出重要节点帮助卷积神经网络捕获文本深层局部特征信息,使得模型能更好的表示文本信息。通过在3个英文数据集上的实验结果表明,该模型相比于基线模型有较好的分类效果。