基于门控图注意力神经网络的程序分类

在源代码挖掘领域,程序分类任务是实现机器自主理解源代码的基础工作。虽然自然语言处理相关模型和基于抽象语法树的系列模型已经被广泛应用于分类程序源代码,但这些工作没有考虑源代码中的数据流、控制流等数据信息。提出一种方法用于构建包含数据信息和语法结构的代码图EAST,并结合基于注意力机制的门控图神经网络模型（GGANN）实现程序分类。GGANN模型的注意力机制考虑到节点拓扑结构性质的差异性,从而对模型信息传播过程进行改进。实验表明,改进后的GGANN模型在程序分类任务上的精度高达98%。     

基于图自编码器模型的学生成绩预测

传统对学生成绩进行预测的方案往往需要手动筛选特征或需要大量的先验知识和专家知识。因此提出使用深度学习的基于图自编码器模型（Graph-AE）的学生成绩预测方案,该模型可以不经人工干预自动提取特征,且不需要大量的先验知识。将Graph-AE模型与13种经典推荐算法进行对比,实验结果表明,Graph-AE模型在学生成绩数据集上的效果比传统解决方法准确度更高,能够更好地刻画学生与课程之间的相关性和差异性。