给大家分享5篇关于事件预测的计算机专业论文

今天分享的是关于事件预测的5篇计算机毕业论文范文, 如果你的论文涉及到事件预测等主题,本文能够帮助到你

基于社交媒体的个人事件抽取与预测方法

这是一篇关于社交媒体,个人事件,事件抽取,事件预测,服务需求的论文, 主要内容为在如今的服务互联网环境中,用户往往使用提供服务的平台获取服务内容,而平台则根据用户自身使用过的服务内容获取用户的服务需求,并据此对用户进行服务推荐。但是仅仅通过平台获取的用户服务需求类型较为单一,用户自身更多的潜在服务需求无法获取,而且仅仅通过这些服务需求无法对用户进行更有效、更准确的服务推荐。因此,如何从更多的渠道中获取用户更丰富、更详细的服务需求成为一个十分重要的问题,而社交媒体中恰恰蕴含着用户生活中分享的各式各样的生活事件,本文将其称为个人事件,通过研究个人事件可以获取用户的服务需求,从而对用户的服务推荐起到帮助。本文围绕该问题,从社交媒体的用户数据出发进行个人事件抽取和个人事件预测,并从预测事件结果中获取服务需求,将从以下三个方面进行阐述:(1)针对从社交媒体文本中抽取出个人事件的问题,本文提出了一个基于BERT预训练模型的事件抽取方法。使用包含三个阶段的Pipeline流程进行个人事件抽取,分别在三个阶段使用了BERT-Bi LSTM-Attention、BERT-Full Connect和BERTBi LSTM-CRF方法进行个人事件抽取,最终从社交文本中抽取出事件类型、事件主语、事件宾语、事件发生时间、事件发生的地点和事件发生的时态等信息形成结构化的个人事件数据。(2)针对基于用户历史事件预测未来事件从而获取服务需求的问题,本文提出了一个基于频繁子序列挖掘的个人事件预测方法。首先对个人事件进行对齐,然后将对齐后的事件按照时间顺序构建事件输入序列挖掘频繁模式事件链条,随后将新发生的事件作为输入和挖掘出的事件链条进行匹配,根据事件链条中事件之间的转移关系得到预测事件结果,最终通过预测事件结果中的事件类型、实体内容等信息获取服务需求。(3)为了整合个人事件抽取和个人事件预测的结果,本文设计并实现了个人事件管理和可视化工具,通过该工具可以对用户的个人事件进行增删改查、导入导出等操作,还可以用事件时间轴的方式可视化的展示个人事件和预测事件的结果。

基于深度学习的新闻事件分析系统的研究与实现

这是一篇关于新闻分析系统,事件发现,事件预测,深度学习,强化学习的论文, 主要内容为随着互联网的普及和发展,互联网中的信息量正以指数级别飞速地增长,网络新闻已经成为人们获取新闻事件信息的一种不可或缺的来源。而网络中存在大量冗余信息导致用户很难在新闻媒介上理清某一具体事件发生的来龙去脉。为了应对信息爆炸带来的挑战,迫切需要一些自动化的分析工具帮助人们在海量新闻中找到真正有价值的信息。事件发现可以将高关联的新闻信息聚一起,可以使人们更加高效的浏览信息,把握社会发展趋势,不至于被大量冗余信息淹没。事件预测通过抓取前序子事件内蕴含的规律性信息,来自动生成预测事件,对政府决策,公司决断有着重要意义。本文将深度学习技术引入新闻事件分析中来,主要的研究工作有:(1)本文提出了一种融合新闻结构化信息的事件发现算法。方法的创新点在于将新闻的时间戳融入到新闻文本表示学习当中,并设计了基于关键命名实体的双层聚类模型来提升事件发现任务的表现。该方法不仅强调了新闻的结构化信息在事件发现任务中的作用,也克服了传统聚类方法,如K-means,需要设定聚类簇个数的弊端。且模型在爬取的新闻语料库进行评估,显著优于主流模型。(2)本文提出了一种基于注意力机制和强化学习的事件预测算法。算法基于端到端学习框架,根据新闻序列结构设计了新颖的分层注意力机制,并将深度强化学习引入到事件预测任务当中来。该方法的优势在于模型可以通过自动评判预测事件的质量,趋动自身生成高质量预测事件,在真实数据集上的大量实验表明,我们的模型在困惑度和BLEU值两个指标上明显优于现有最先进的模型。(3)本文还构建了一个新闻事件一体化分析系统。以上两个研究点都是从算法层面对新闻分析效果进行提升,为了方便用户快速精准的对新闻数据集进行分析,本文基于Spring MVC框架搭建了一体化新闻分析系统,可以接收用户上传的新闻数据集,对新闻数据集进行自动分析。主要功能包括用户管理,数据交换,事件发现,事件预测等。

事理知识抽取方法及应用研究

这是一篇关于事理图谱,事件检测,事件预测,事件关系抽取,航空安全事故的论文, 主要内容为随着人工智能技术的不断发展,感知智能为机器提供了视觉、听觉等感知事物的能力,以事理图谱和知识图谱为代表的认知智能让机器拥有了对事物的理解和推理能力。对于民航领域来说,安全是永恒不变的主题,若能通过历史数据发现航空安全事故中的事理演化逻辑并加以应用,有助于提升航空安全事故应急处置能力,保障飞行安全。因此,本文针对事理知识的抽取和应用方法进行了研究。在事理知识抽取方面,本文设计了模式匹配和神经网络相结合的抽取模型,对于显式事件对,本文针对数据特征设计了匹配模板对显示事理知识进行抽取。对于隐式事件对,使用神经网络模型分别对事件和事件关系进行抽取,并着重针对事件的识别提出了基于句法和全文信息增强的中文事件检测方法,该方法针对目前中文事件检测中词语之间句法依存关系利用不充分和缺乏文章全局语义信息的问题,使用图卷积网络和双向门控循环单元分别学习句法关系和全文信息,达到增强事件触发词的特征表示的目的,提升事件检测任务的效果。在ACE2005和CEC数据集上的实验结果表明,本文模型在F1值上至少提升了1.6%和2.14%,证明了方法的有效性。在事理知识的应用方面,首先通过同指消解模型、事件融合方法、事件转移概率计算完成事理图谱的构建,之后针对目前航空安全事故应急处理中对事故发展逻辑利用不充分的问题,提出了事理图谱增强的事件预测方法,该方法通过GCN学习事理图谱子图,将事理逻辑知识融合到事件的表示向量中,充分利用了事理图谱中事件之间的逻辑关系,提升了事件预测的效果。实验结果表明,本文方法在航空安全事故数据集中准确率指标相对于不使用事理图谱的模型提升了6.39%。

基于循环图神经网络的时态知识图谱补全算法研究

这是一篇关于知识图谱补全,知识表示学习,时间序列预测,图神经网络,事件预测的论文, 主要内容为知识图谱是知识库的一种可视化结构表示,在信息检索、自然语言理解,推荐系统和医疗等领域的应用中都起着至关重要的作用。由于知识图谱的不完整性限制了其在下游任务中的应用,致力于解决知识图谱数据缺失问题的知识图谱补全成为了当前的研究热点。然而,从现实世界的资源中抽取、组织并构建的知识图谱,其包含的事实往往具有不均匀的分布且表现出复杂的时间动态。先前的静态知识图谱补全方法由于高度依赖于足够的训练实例,且不考虑事实的时态属性,其在补全任务中的效果不可避免地受到制约。因此,本文聚焦于知识图谱补全中事实的时态性问题、关系的长尾问题和稀疏性问题,展开了三个方面的研究。(1)针对知识图谱中事实的时态性,利用历史发展规律综合考虑知识图谱中历史事实的序列、重复和循环模式,捕获和权衡事件的局部和全局历史特征,提出了一种融合局部和全局历史模式的时态知识图谱补全方法(TiRGN)。(2)针对静态知识图谱和时态知识图谱中单一时刻内关系的长尾问题,利用自适应多聚合器来学习给定关系实体对的两类邻域拓扑,并结合粗粒度的语义匹配和细粒度的相关性匹配,提出了一种基于匹配网络的小样本知识图谱补全方法(Star Ring)。(3)针对时态知识图谱中多时刻内事实关系的稀疏性问题,利用关系自适应网为不同的低频和高频关系动态调整局部历史长度,并为小样本关系进行动态路径匹配,提出了一种基于关系自适应网络的小样本时态知识图谱补全方法(RAN)。本文在公开数据集上验证了所提出的方法,Ti RGN在6个公开数据集上的补全性能均有所提升,实验结果表明了捕获多种历史模式的有效性。Star Ring在来自NELL、FB15k237和Wiki的三个小样本知识图谱补全数据集上进行验证,实验结果表明了利用两类拓扑建模更完整的邻域结构有效缓解了长尾问题。综合了前两个方法的RAN同时进行实体预测和关系预测的多任务学习后,在多关系数据集上的实验结果表明了其在时态知识图谱补全中的实体预测和关系预测任务上都优于先前的方法,并且其性能提升在小样本关系上更加显著。