物联网中基于Multi-Agent的物间动态关系发现

物联网中存在大量异构关系的实体，其信息间的交互造成了物联网的内在矛盾。针对这一问题，提出将物联网中实体抽象化为对应的Agent，并以个体人为中心，利用本体的语义匹配及改进的物间动态关系计算方法，计算出针对个体人的物间动态关系；将原本异构的实体关系转化为Agent间基于动态关系紧密度排序的网络关系。经实验验证，该方法构建的关系网络可明显改善异构实体间交互的矛盾，而且相比原有类似方法，该方法解决问题的准确率和误差率均有改善，说明了该方法的准确性和可行性。     

基于邻域聚合与CNN的知识图谱实体类型补全

现有知识图谱实体类型补全模型通过对实体和实体类型进行建模,以解决知识图谱中实体缺失的实体类型,但未有效地利用实体之间的关系,导致模型的实体类型补全性能不佳。提出一种基于邻域聚合与卷积神经网络的知识图谱实体类型补全模型NACE2T,其采用编码器-解码器的结构。基于注意力机制设计利用关系信息的编码器,其使用注意力机制为实体邻域中的每个关系-实体对分配不同的权重,以聚合实体邻域中实体和关系的信息,从而利用实体之间的关系。基于卷积神经网络设计一个新的知识图谱实体类型补全模型CE2T,将其作为解码器,对编码器输出的实体嵌入和实体类型嵌入进行建模与实体类型补全。实验结果表明,相比ConnectE模型,NACE2T模型在数据集FB15KET上的HITS@1和HITS@3提高约1.5%,在数据集YAGO43KET上的MRR和HITS@3提高约6%,HITS@1提高约9%,能够有效地推断知识图谱中实体缺失的实体类型。     

支持用户偏好查询的领域概念图模型

针对目前的领域概念查询聚类方法中未见考虑用户偏好,提出一种支持用户偏好查询的领域概念图模型。该图模型主要包括两部分:基于概念本身考虑,利用综合语义相似度计算方法构建概念的语义关系图;基于用户查询偏好考虑,采用改进的互信息计算用户生成数据间隐含的查询偏好,将其结果用于补全领域概念的语义关系图。这一处理过程使得原有领域概念的语义关系图得到了有益的补充,满足了用户的偏好查询。经实验验证,该算法较现有方法,查准率、查全率以及F-measure值均有所提高且响应时间得到了降低。     

美元资产的中长期风险分析

一、美元资产为什么不安全 中国近2万亿美元的外汇储备,是改革开放30年来全国人民辛勤劳动一点点积累起来的。其中有14000亿左右的美元资产将受到美元和美国国债走势的影响。这14000亿美元的构成如下：美国国债7274亿美元,占美国国债总额的23．6％,占美国外债的6％。“两房”债券3763亿美元,加上其他机构债券共约5106亿美元。此外中投公司对美国金融机构股权投资超过130亿美元,外汇局对外投资也超过900亿美元。可见美债在中国外汇资产中比重之高。研究结果表明,有四个根本性的因素,导致中国的美元资产不安全。     

基于复数空间内矩阵映射的知识表示方法

为同时建模知识图谱中存在的多对一、多对多等复杂关系以及对称、逆、组合等关系模式，提出一种基于复数空间内矩阵映射的知识表示方法(MMCS方法)。将实体以及实体间关系表示为离散的复数矢量，利用矩阵映射将离散的复数矢量聚簇为相近的矢量，用于表示实体间的多对一、多对多等复杂关系。利用复数空间的旋转策略，表示离散复数矢量之间的对称、逆、组合等关系模式。在公开的数据集上进行相关的链接预测实验，实验结果表明，MMCS在预测三元组中缺失的实体时比其它方法有显著提升。