5个研究背景和意义示例,教你写计算机多信息融合论文

今天分享的是关于多信息融合的5篇计算机毕业论文范文, 如果你的论文涉及到多信息融合等主题,本文能够帮助到你

基于现实信息环境知识图谱的问答系统研究

这是一篇关于知识图谱,实体识别,语义消歧,多信息融合,意图识别的论文, 主要内容为随着信息技术的迅猛发展与信息量的爆炸式增长,人们对于现实信息的准确获取和便捷交互需求日益迫切。为提高信息推广准确率,减少人力以及时间的消耗,本文构建现实信息知识图谱,并依次从知识图谱构建,语义消歧,意图识别三个方面,来完成在现实环境下系统对自然语言文本的答案回复。首先,搭建基于现实信息环境下的知识图谱。由于通常情况下所用数据为文本信息,应用此类数据作为数据库,不仅内存占用非常庞大,而且,在大量的数据中进行信息检索要花费大量时间。为此,本文应用基于预训练的模型BERT(Bidirectional Encoder Representation from Transformers)嵌入来增强实体信息,通过实体识别,最终利用条件随机场输出现实信息实体标签序列。定义实体属性和关系,将相关的现实信息利用知识图谱的方式进行表示,搭建现实信息环境知识图谱。其次,提出一种基于BERT预训练模型的联合语义消歧方法。主要研究文本中关键词的语义消歧问题,避免下游任务的准确率受到影响。由于短文本含有的有效信息少、语义表达稀疏等特点,使得消歧准确率很难提高。本文在提取重要的文本语义信息的研究上使用带有注意力机制的胶囊网络和双向长短期记忆网络,并将语义消歧看作文本分类,从而完成语义消歧任务。最后,提出一种结合多信息融合嵌入的槽位门意图识别方法。以消歧后的数据为基础,对用户提出的问题进行意图识别。针对于意图识别在中文口语短文本方面上下文信息匮乏、句法不够规范以及容易造成语义信息模糊等问题,本方法将字符向量、词向量、关键词属性信息以及实体知识库向量进行拼接,使之构成语义信息融合向量,并将得到的语义信息融合向量作为词嵌入的输入,使模型在深度提取语义特征的同时,降低模型在处理短文本时,由于分词错误对下游的意图识别任务的准确率造成的影响。通过槽位门控机制进行槽位与意图的联合识别,引入槽位门机制来学习显式的槽位关系,使得槽位填充可以根据学习到的意图预测结果进行调节,从而实现更好的意图识别效果。

化学药物组合推荐方法研究

这是一篇关于药物组合推荐,药物相互作用,药物-靶标关系,多信息融合的论文, 主要内容为组合用药是临床干预中重要组成部分,需要结合患者个体病情和用药方法、毒理副作用、药物相互作用等综合评估药物组合的疗效、安全性和耐受性,不合理的组合用药将给患者造成药物耐受性问题甚至严重的不良反应。传统的药物组合推荐方法基于药品说明书和医学文献等知识库开发专家系统,过于依赖人工设定的规则,且知识推理机制简单,难以处理复杂和模糊的真实临床信息,无法满足面向患者的个体化用药推荐。针对该问题,本文基于医学大数据和多种深度学习技术,实现结合多元异构药理数据完成个体化药物组合推荐。论文以临床用药推荐为研究对象,开展药物相互作用抽取、药物-靶标关系预测和药物组合推荐,设计实现化学药物组合推荐决策平台,主要工作如下:1.针对药物相互作用抽取过程中错误传播和实际应用过于依赖外部特征的问题,提出一种结合多粒度信息的多任务框架(Multi-Task model with Multi-Granularity information,MTMG),将药物相互作用抽取任务设计为序列标注任务,利用与药物命名实体识别任务间的相关性;设计两种句子级别语义粒度的辅助任务,利用数据集自身蕴含的先验知识为主任务提供训练指导。实验结果显示,MTMG在药物实体识别任务的F1值达0.925,在DDI抽取任务的F1值达0.777,综合指标overall F1值达0.851。2.针对现有药物-靶标关系预测方法未充分利用异构图中元图的结构特征等问题,提出一种基于元图辅助学习方法加强药靶节点特征表示的方法(Meta Graph-based method for predicting Drug-Target Interaction,MGDTI),从外部多源医学大数据中获取药物、蛋白质、疾病的相互关联知识,构造异构药物信息网络图,通过元图辅助学习方法获取药物、蛋白质、疾病的异构信息图中蕴含的节点间关系和语义特征,建立药物与靶标关系的预测模型。实验结果显示,MGDTI在药物-靶标关系预测任务的AUPR值达0.9417,AUROC值达到了0.9338,F1值达0.820。此外,top 128链路预测精确度达0.9688,top 256链路预测精确度达0.9414。3.针对现有基于电子健康病历的组合用药推荐方法未充分利用多种药物相互作用信息的问题,提出一种基于时序注意力机制和多信息融合的药物组合推荐模型(medication combination prediction using Temporal Attention Mechanism and and Multi-Data Fusion,TAMMDF),采用基于时间注意力机制的循环神经网络提取患者个体化特征,结合多种药理网络特征丰富外部药物知识以将降低药物相互作用率。实验结果显示,TAMMDF的Jaccard相似度达0.5267,F1值达0.6813,PRAUC值达0.7778,DDI率为0.0643。4.基于Spring Boot、My Batis和Vue.js等框架,采用Java、HTML和Java Script语言,设计并实现基于B/S架构的化学药物组合推荐决策平台,通过My SQL数据库进行数据持久化,实现药靶数据的流程化和信息化管理。平台具备用户管理、系统管理、药靶数据管理、药理性质挖掘和药物组合推荐等功能。

化学药物组合推荐方法研究

基于图神经网络的图嵌入算法研究

这是一篇关于图嵌入,图卷积神经网络,图池化,多信息融合,注意力机制的论文, 主要内容为随着人工智能及计算机硬件的迅速发展,网络数据呈几何速度增长。现实中许多复杂系统均可利用复杂网络描述事物之间的关系,例如因特网、知识图谱、金融网络和信息网络等。为了有效处理这种高维稀疏数据,关键挑战在于如何将数据嵌入到低维空间,以便经典机器学习算法高效的执行网络分析任务。由于网络数据储存着很多有价值的信息,网络数据挖掘一直是一个研究热点。本文的主要研究内容包括以下几个部分:(1)在节点表示学习任务中,提出了融合网络结构和节点特征的网络表征模型。综合考虑了图的拓扑结构信息、节点特征和节点高阶信息。现有大部分网络表征算法在处理图节点分类任务时只考虑图的拓扑结构信息,而无法很好的利用节点特征和图的高阶信息。本文提出的模型能够同时利用图的拓扑结构信息、节点特征和节点高阶信息。具体来说,首先利用多通道图卷积神经网络分别处理图的节点特征和图拓扑结构信息,分别得到两个空间中包含高阶特殊信息的节点嵌入,再利用权重共享的多通道图卷积神经网络获取这两个空间中包含高阶公共信息的节点嵌入。(2)构建的模型使用注意力机制自适应的学习节点不同信息的重要性权重。本文利用注意力机制,为不同空间的图拓扑结构信息、节点特征信息计算注意力分数,从而合理的整合了节点的不同信息。在各个数据集上的节点分类实验表明,提出的模型在节点分类任务中优于目前经典网络表征模型。(3)在图表示学习任务中,提出了基于高阶邻域混合的自适应分层图池模型。针对图神经网络在图分类任务中不能合理的利用节点高阶领域信息,选择节点构建新图时容易丢失图的一些信息,并取得次优结果。首先利用多通道图卷积神经网络获取节点特征及节点高阶领域信息,并通过注意力机制选择得分较高的节点。(4)设计的模型在完成池化任务时能够包含原图的大部分相关信息。针对目前的网络表示学习模型在池化过程中容易丢弃得分较低的节点信息。本文利用MLP模型聚合得分较低且未被选择的节点信息,这可以增强未选节点的特征的使用。从而提高模型在图分类任务中的准确率。本文主要针对图嵌入算法存在的问题进行研究,通过在不同数据集上进行实验表明,本文提出的模型在节点分类和图分类任务中较经典模型准确率有所提升。