基于本体的Web服务发现方法研究

针对传统Web服务发现准确率低下的问题,提出一种基于本体的服务发现方法.该方法首先基于领域本体构建了Web服务描述模型,并应用OWL-S描述Web服务增强了Web服务的语义信息,然后从基本信息语义相似度、功能语义相似度等方面综合计算Web服务相似度,最后基于Web服务相似度进行请求服务与目标服务的匹配.给出了基于本体的服务发现相关算法,并设计了基于三层架构的服务发现原型系统.实验结果表明,该方法可提高Web服务发现的查全率及查准率.     

实时监控数据图形展示与历史回放关键技术研究

管道腐蚀检测系统有利于工程师监测埋地管道腐蚀情况,节省管道维护开销。主要就管道腐蚀检测系统设计中有关实时监控数据图形展示与历史回放等关键问题的相关实现技术进行较深入研究,采用面向对象技术和特殊链表数据结构及算法。经系统实际运行,本方法不但有效解决系统设计中存在的若干问题,而且有效提高了系统开发效率、系统可维护性以及系统运行效率与质量。     

基于标签相似度计算的学术圈构建方法

为面向学者的社交网络系统中的用户构建学术圈,对促进学者之间的交流具有重要的应用价值。根据学者之间的共同属性进行相似度计算,形成学术领域相似和研究课题相近的学术圈,能让学者们更加紧密和频繁地协同合作。提出了利用学者的学术信息提取代表个人特征的学术标签,并对不同类别标签的权重进行衡量,再通过相似度计算和聚类算法构建学术圈的方法。通过抓取学者社交网络平台SCHOLAT公开的学者信息进行实验,进而验证所提方法的可靠性和实用性。     

基于改进对称二值非负矩阵分解的重叠社区发现方法

针对复杂网络社区结构具有重叠性的问题,目前已提出许多不同类型的解决方法,其中基于对称二值非负矩阵分解（SBNMF）的重叠社区发现方法是具有代表性的方法。然而,SBNMF在面对社区内部链接稀疏的网络时,其重叠社区发现性能低下,为此提出一种基于改进SBNMF（ISBNMF）的重叠社区发现方法。首先利用对称非负矩阵分解得到的因子矩阵构建社区内部链接稠密的新网络,然后再使用基于Frobenius范数的SBNMF模型对新网络的邻接矩阵进行分解,最后通过网格搜索法或梯度下降法得到可以显式指示节点的社区隶属关系的二值矩阵。在人工合成的和真实的网络数据集上进行大量实验,结果表明ISBNMF的社区发现性能优于SBNMF和其他代表性方法。     

高校课程相关性粗糙集分析模型及应用

将目前在数据挖掘领域应用广泛的粗糙集理论引入高校课程相关性分析中,提出了基于粗糙集的高校课程相关性分析模型。该模型首先运用粗糙集的相关性质对参与分析的决策数据进行属性约简,从而获得了较小决策数据集,然后应用基于分辨矩阵的关联规则提取算法提取关联规则,最后对规则进行评估与解释。通过对某高校某专业学生修读课程考试成绩数据进行实际应用分析,发现了课程成绩数据中隐藏的课程相关性规则,分析结果表明该模型在学分制体系下指导学生选课以及制定专业修读计划具有一定的辅助作用。     

基于SpringMVC及MyBatis的高校学术成果库设计与实现

针对华南师范大学学术成果库进行研究。简述了华南师范大学学术成果库的建设背景和目标,提出了成果库的总体设计、数据治理方案,阐述了关键技术SpringMVC和MyBatis,构建了成果库的功能体系架构,最后结合SpringMVC、MyBatis技术对成果库进行了开发实现。研究表明华南师范大学学术成果库的建设,解决了学术资源成果分散、数据不一致、教师反复填表等问题,为教师构建了全面完善的数据服务体系,在教学、科研、管理、服务等方面为学校提供了数据支持。同时也有效解决了目前成果库在国内发展现状中普遍存在的资源存储量偏低、资源更新速度慢、开放存取度不高、系统利用率低等问题。     

数字化校园门户平台统一身份认证的实现

传统的数字化校园门户平台集成了多个应用系统的用户验证功能．用户使用各系统需重复进行登录验证,降低了操作效率。在研究分析两种常见的实现统一身份认证方案的优缺点基础上,提出了一种基于LDAP构建统一用户信息库．在门户平台中集成统一身份认证功能的改进方案,简单有效地解决了上述问题,简化了操作,实现了单点登录与统一身份认证。     

图卷积网络增强的非负矩阵分解社区发现方法

非负矩阵分解（nonnegative matrix factorization,NMF）因其有效性和易解释性强被广泛应用于社区发现领域。然而,现有大多数基于NMF的社区发现方法都是线性的,无法有效处理复杂网络的非线性特征,从而导致社区发现性能还有待进一步提高。针对该问题,提出了一种图卷积网络（graph convolutional network,GCN）增强的非线性NMF社区发现方法NMFGCN。NMFGCN包含两个主要模块：GCN和NMF,其中GCN用于学习网络节点表示,NMF将节点表示作为输入获得网络的社区表示。此外,提出一个联合优化方法以训练NMFGCN,不仅使得NMFGCN具有非线性特征表示能力,而且可以使得GCN和NMF相互促进并获得更好的社区划分结果。在人工合成网络和真实网络上进行大量实验,结果表明NMFGCN优于目前基于NMF的社区发现方法,从而证明NMFGCN确实可以提高NMF社区发现方法的性能。此外,NMFGCN还优于DeepWalk和LINE常用图表示学习方法。     

基于网络表示学习与随机游走的链路预测算法

现有的基于随机游走链路预测指标在无权网络上的转移过程存在较强随机性,没有考虑在网络结构上不同邻居节点间的相似性对转移概率的作用。针对此问题,提出一种基于网络表示学习与随机游走的链路预测算法。首先,通过基于深度学习的网络表示学习算法——DeepWalk学习网络节点的潜在结构特征,将网络中的各节点表征到低维向量空间;然后,在重启随机游走（RWR）和局部随机游走（LRW）算法的随机游走过程中融合各邻居节点在向量空间上的相似性,重新定义出邻居节点间的转移概率;最后,在5个真实数据集上进行大量实验验证。实验结果表明：相比8种具有代表性的基于网络结构的链路预测基准算法,所提算法链路预测结果的AUC值均有提升,最高达3.34%。