基于動(dòng)態(tài)圖注意力聚合多跳鄰域的實(shí)體對(duì)齊[其他][其他]

實(shí)體對(duì)齊是實(shí)現(xiàn)對(duì)不同來源知識(shí)庫進(jìn)行融合的重要技術(shù)方法，在知識(shí)圖譜、知識(shí)補(bǔ)全領(lǐng)域具有廣泛應(yīng)用?，F(xiàn)有基于圖注意力的實(shí)體對(duì)齊模型多使用靜態(tài)圖注意力網(wǎng)絡(luò)且忽略了實(shí)體屬性中的語義信息，導(dǎo)致模型存在有限注意、難以擬合、表達(dá)能力不足等問題。針對(duì)這些問題，開展基于動(dòng)態(tài)圖注意力結(jié)構(gòu)建模實(shí)體對(duì)齊方法研究，首先使用圖卷積層建模目標(biāo)實(shí)體的單跳節(jié)點(diǎn)表示，其次應(yīng)用動(dòng)態(tài)圖注意力網(wǎng)絡(luò)獲得多跳節(jié)點(diǎn)注意力系數(shù)并建模，再次利用逐層門控網(wǎng)絡(luò)聚合圖卷積層與動(dòng)態(tài)圖注意力層輸出的單跳、多跳節(jié)點(diǎn)信息，最后拼接通過外部知識(shí)預(yù)訓(xùn)練自然語言模型提取的實(shí)體名稱屬性嵌入并進(jìn)行相似度計(jì)算。該方法在DBP15K的三類跨語言數(shù)據(jù)集中都獲得了一定的提高，證明了應(yīng)用動(dòng)態(tài)圖注意力網(wǎng)絡(luò)與融入實(shí)體屬性語義在提高實(shí)體表示能力上的有效性。

發(fā)表于：11/9/2022 1:55:00 PM

基于DBN-BP深度算法的熱軋板帶橫斷面預(yù)測(cè)[其他][其他]

隨著各工業(yè)領(lǐng)域的快速發(fā)展，市場(chǎng)對(duì)薄規(guī)格、高強(qiáng)度板帶產(chǎn)品的需求快速增加。而熱軋板帶橫斷面形狀是熱軋板帶產(chǎn)品質(zhì)量的主要評(píng)價(jià)指標(biāo)。基于數(shù)據(jù)挖掘技術(shù)，對(duì)軋機(jī)數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行分析與處理，其中數(shù)據(jù)挖掘技術(shù)采用深度置信網(wǎng)絡(luò)(Deep Belief Neural，DBN)和BP(Back Propagation)算法相結(jié)合，構(gòu)建板帶橫向厚度分布的預(yù)測(cè)模型。DBN-BP算法由多個(gè)限制玻爾茲曼網(wǎng)絡(luò)(Restricted Botlzmann Machine，RBM)逐層堆疊而成，并使用無監(jiān)督的逐層訓(xùn)練的方式得到網(wǎng)絡(luò)的權(quán)值矩陣和偏置供BP算法使用，而BP算法通過誤差反向傳播的方式對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)。該方法克服了BP算法因隨機(jī)初始化權(quán)值參數(shù)而陷入局部最優(yōu)和訓(xùn)練時(shí)間長(zhǎng)的缺點(diǎn)。通過與BP算法相比較可知，采用DBN-BP方法預(yù)測(cè)終軋道次穩(wěn)定軋制時(shí)板帶中點(diǎn)厚度誤差在±5.6 μm范圍內(nèi)的概率可達(dá)95%；而BP算法的預(yù)測(cè)誤差范圍為±11 μm。并且通過對(duì)板帶橫斷面形狀的預(yù)測(cè)結(jié)果分析可知，相比于BP算法，DBN-BP深度學(xué)習(xí)方法對(duì)于板帶邊部厚度的預(yù)測(cè)更具有優(yōu)勢(shì)。

發(fā)表于：11/9/2022 1:39:00 PM