课程文献中心 更多>>

关键词： 网络谣言   谣言检测   情境感知   谱聚类   领域内   领域间  

摘要： [研究目的]现有网络谣言检测方法多依靠情感特征、语法特征、外部知识等信号来验证信息的真伪,具有滞后性,文章提出一种基于情境感知的网络谣言检测方法,以应对网络谣言早期检测的需要。[研究方法]该方法利用拉谱拉斯谱聚类完成领域内和领域间的话题情境聚类,依据领域内和领域间的话题分布,构建四个话题情境,用于捕捉话题的热度和新颖度。接下来融合新闻文本、风格特征、情感等特征设计一个谣言情境感知模型。[研究结果/结论]通过在中文数据集Ch-9和英文数据集En-3的实验验证,结果显示该方法均高于基础模型,验证了话题情境可以增强证据,有利于谣言的早期发现。

关键词： 跨模态哈希   生成对抗网络   语义对齐   半监督   自适应学习  

摘要： 监督方法在跨模态检索中已有不少成果，成为比较热门的方法，然而，这些方法过于依赖标记的数据，没有充分利用无标签数据所包含的丰富信息。为了解决这一问题，人们开始研究无监督方法，但是仅依靠未标记数据时，效果并不理想。因此提出了基于GAN的语义对齐网络半监督跨模态哈希方法(GAN-SASCH)。该模型基于生成对抗网络结合了语义对齐的概念。生成对抗网络分为两个模块，分别是生成器和判别器，生成器学习拟合未标记数据的相关性分布并生成虚假的数据样本，判别器则用于判断数据对样本是来自数据集还是生成器。通过这两个模块之间展开极大极小的对抗博弈游戏，不断提升生成对抗网络的性能。语义对齐能充分利用不同模态之间的相互作用和对称性，统一不同模态的相似性信息，有效地指导哈希代码的学习过程。除此以外，还引入了自适应学习优化参数以提升模型性能。在NUS-WIDE和MIRFLICKR25K数据集上，对比了本文方法与9种相关前沿方法，使用MAP与PR图两种评价指标验证了该方法的有效性。

关键词： 模拟失重   失重性骨丢失   骨髓间充质干细胞   高通量测序   circRNA  

摘要： 目的 通过高通量测序（HTS）技术筛选模拟失重环境下骨髓间充质干细胞(BMSCs)中环状RNA（circRNA）的差异表达谱，对差异表达circRNAs（DEcircRNAs）进行生物信息学分析并进行部分验证，从分子水平探讨失重性骨丢失的可能机制。方法 利用骨形态发生蛋白-2诱导小鼠BMSCs成骨分化，分为地面对照组(Ground组)和模拟微重力组(SMG组)。通过Illumina NovaSeq 6000对样本总RNA进行转录组测序并筛选与分析两组差异表达基因(DEGs)，进一步构建circRNA-miRNA-mRNA相互作用的竞争性内源RNA（ceRNA）调控网络。结果 通过比较两组共鉴定出18个DEcircRNAs，其中7个上调和11个下调circRNA。GO和KEGG富集分析结果显示，这些DEcircRNAs的源基因主要富集在调节细胞分化和调节细胞增殖等功能，并显著富集于MAPK信号通路和细胞衰老等信号通路。CeRNA调控网络的建立可更深入了解DEcircRNAs的生物学作用。通过qRT-PCR方法验证了6个DEcircRNAs，其结果与测序结果一致。结论 本研究通过HTS和生物信息学方法筛选并阐明了18个DEcircRNAs在失重性骨丢失中的潜在生物学作用，为后续研究失重性骨丢失的发生机制和临床治疗提供了新的思路。

关键词： 复杂网络   级联失效   小麦贸易网络   粮食安全   Complex Networks   Cascading Failures   Wheat Trade   Food Security  

摘要： 在保障全球粮食安全方面，全球小麦贸易网络扮演着至关重要的角色。然而，该网络对于少数重要贸易国的供应稳定性具有依赖性。俄乌冲突之类的突发事件可能导致供应链中断，并通过贸易网络引发级联效应，进而影响多个国家的小麦供应。本研究旨在探讨在国际小麦贸易网络中，主要贸易国的供应中断如何传播，并评估不同国家在供应危机中的作用及其影响。本研究基于2020年联合国商品贸易数据库中的小麦贸易数据，构建国际小麦贸易网络模型，并通过构建级联失效模型，模拟俄罗斯、美国、加拿大、法国、德国、阿根廷和澳大利亚等主要小麦贸易国在出口减少情况下的危机传播效应。研究结果揭示了少数重要贸易国在全球贸易网络中的核心地位，其供应中断能够迅速对全球小麦流通产生广泛影响。本文为各国政府和国际组织提供了应对小麦供应危机的政策建议，强调了分散进口来源、增强抗风险能力以及加强全球粮食安全合作的重要性。

关键词： 深度学习   时间序列预测   核酸扩增检测技术   Kolmogorov-Arnold网络   Transformer  

摘要： 随着医辽诊断和治疗干预技术的不断进步，医学时间序列数据呈现指数级增长。人工智能(AI)，尤其是深度学习在挖掘医学时间序列数据潜在信息方面展现出巨大潜力。本研究首次提出将Transformer与Kolmogorov arnold网络(KAN)相结合的方法，用于核酸扩增实验数据的预测分析。通过实验数据分析，证实模型在准确预测扩增趋势和终点值方面的有效性，终点值误差仅为1.87，R-square系数为0.98，并且模型能准确识别不同样本类型的实验数据。进一步地，通过消融实验和超参数调优，深入探究模型各组成部分及其参数对预测性能的影响。最后，在911条临床数据上对10种深度学习模型进行泛化能力测试的结果表明，Transformer-KAN模型在预测准确性和泛化能力上均优于其他模型。本研究不仅为改进大流行病常规诊断技术提供了新视角，而且为进一步研究KAN模型及相应基础理论提供了实验佐证。

关键词： 街景图像修复   语义先验   生成对抗网络   Streetview Image Inpainting   Semantic Prior   Generative Adversarial Network  

摘要： 针对现有街景图像修复方法难以有效处理复杂遮挡和保持语义一致性的问题，本文提出了一种基于生成对抗网络(GAN)的图像修复模型，旨在利用语义信息提升修复效果。该模型能够有效地提取和处理不同类别的语义信息，并将其融入图像修复过程，利用语义信息引导生成器生成更逼真、更符合语义的修复结果。在街景数据集上的实验结果表明，相较于传统方法，本文提出的模型能够生成更加自然逼真的修复结果，可以精准地还原车辆、道路、建筑物等物体的轮廓、纹理细节和颜色，有效消除图像缺失部分带来的视觉突兀感，显著提升图像的整体质量。未来可进一步拓展该模型的应用范围，将其应用于人脸图像以及其他类型场景的图像修复任务中，以期提升图像修复模型的泛化能力和修复效果。

关键词： 网络舆情治理   社会治理   状态势差   良性互动   评论机制  

摘要： 在大数据时代，网络舆情治理应当在强化技术治理的基础上，更加着眼于社会向度，将社会治理充分融入其视界。由此观之，网络舆情治理问题表现为社会治理中的事实受到质疑、社会治理中的逻辑受到挑战、社会治理中的话语受到责难、社会治理中的价值受到忽视、社会治理中的人物受到调侃。网络舆情治理问题生成的深层逻辑是网络舆情与社会治理之间存在“状态势差”，“状态势差”导致了区隔与冲突的生成。从社会的角度来看，网络舆情治理是网络舆情与社会治理实现良性互动的复杂过程。为此，宣传主体应当健全网络舆情治理中的评论机制，运用评论机制消除或缩小“状态势差”。在实践策略方面，宣传主体要将社会治理领域的话语元素、场景元素、事件元素、人物元素、绩效元素吸纳到网络舆情之中。

关键词： 高等教育资源   社会网络分析   山河大学   新浪微博   教育舆情  

摘要： 作为高等教育现实的“晴雨表”,高等教育舆情分析具有重要的学术价值和现实意义.围绕新浪微博“山河大学”舆情信息,锚定其背后的高等教育优质资源空间分布不均衡的问题,运用社会网络分析法进行舆情传播研究.通过密度和中心性等分析,可得网络节点呈现“广而密”的分布特点,且节点间连接度较高,交互性和依赖性均较强,特别容易引起普通用户的注意力和参与度.通过凝聚子群分析,发现网络聚类比较明显,但8个凝聚子群的交互度不高.该网络总体上是单向传播,主要呈现“偶遇机会型”和“多级传播型”传播路径.研究发现社会网络分析法的有效应用可为教育舆情的引导与应对提供针对性的策略和建议.

关键词： 战略物资   海运网络   网络变化   红海海域  

摘要： 海运作为全球贸易的主要运输方式，其安全性对国际交易至关重要。近期红海地区袭击事件严重威胁了该关键航道的通行安全，对全球战略物资供应链产生了较大影响。以全球船舶自动识别系统（Automatic Identification System，AIS）数据为基础，构建了涉及红海的典型全球战略物资海运网络，并针对该网络从海运航线、战略物资、海运网络等角度，分析了红海袭击事件所波及的战略物资海运网络变化，得出了一些重要结论：在航线变化方面，亚洲和非洲的国家日均航次数量未受到影响，其他大洲均呈数量下降趋势，但所针对国家的平均降幅显著大于其他国家；在战略物资方面，铁矿石、原油和液化石油气(Liquefied Petroleum Gas，LPG)运输量显著减少，液化天然气（Liquefied Natural Gas，LNG）的日均运输量未受影响；在海运网络演变层面，不同的战略物资网络呈现出了不同的变化特征，其中铁矿石显示出较高的稳定性，能源类物资(LNG、LPG)呈现出了中等程度的稳定性，粮食海运网络的波动性最强。研究结果有助于理解突发地缘政治事件对国际战略物资流动和全球供应链稳定性的潜在影响，对全球化背景下维护全球贸易流动和供应链稳定具有重要参考价值。

关键词： 注意力机制   特征增强   特征融合   合成缺陷数据   质量评价  

摘要： 对通过数据扩增方式合成的缺陷数据进行质量评估，有助于实现缺陷数据高质量扩充，进而缓解缺陷数据不足导致的检测模型性能不佳问题。现有质量评价算法在评估合成缺陷数据质量时更关注数据的失真特性而忽略了对数据缺陷属性的考量，针对这一问题，提出一种基于注意力特征增强(AFE)和多尺度注意力质量感知(MAQP)的模型SDENet，综合考虑数据的失真特性和缺陷属性进行质量评价。首先，AFE通过双分支池化操作提高模型对不同尺寸、位置缺陷的泛化能力，并结合注意力机制增强模型对特征的表达。其次，MAQP对AFE增强后的特征进行向量化与融合处理，以更好地感知合成缺陷数据质量。最后，对融合后的特征进行质量评估，得到最终的评估分数。在构建的合成道路裂缝缺陷数据集上进行实验，结果表明，SDENet模型在RMSE、RMAE、PLCC和SROCC指标上均取得最优结果，比次优模型依次提升10.7%、5.0%、1.8%和1.8%，验证了模型的有效性。在失真数据集TID2013上，SDENet模型也取得较有竞争的结果，在PLCC和SROCC指标上依次达到0.902和0.876。