面向遗忘-鲁棒知识追踪的深度图记忆网络 近年来，知识追踪（KT）作为个性化学习的重要方法吸引了广泛关注。知识追踪旨在预测学生回答新问题时的正确率，利用他们过往问题的回答历史来估计其知识状态。然而，当前的知识追踪方法仍面临一些挑战，包括对遗忘行为的建模和潜在概念之间关系的识别。为了解决这些问题，本文提出了一种全新的知识追踪模型，即深度图记忆网络（Deep Graph Memory Network, DGMN）。本文具体概述了DGMN模型的设计、实验过程及其在各类数据集上的表现。 研究背景 知识追踪问题自提出以来，一直是教育领域的一个重要研究方向。其核心目标是通过学生的历史回答数据，预测其未来回答问题的正确概率。早期的知识追踪方法主要包括基于贝叶斯方法和状态空间模型的方法，例如隐马尔可夫模型（H...

连接嵌入基于多重关系图注意力网络用于知识图谱实体类型识别 研究背景 当今，知识图谱（Knowledge Graphs, KGs）在各种基于KG驱动的AI相关领域中引起了越来越多的研究兴趣。大规模的知识图谱提供了丰富而有效的结构化信息，是多个智能应用的核心数据资源，如问答系统和网页搜索。通常，知识图谱中包含大量实体类型（Entity Typing）实例，以元组 ((e, t)) 的形式存在，其中 (e) 是实体，(t) 是其层次型类型。尽管现代知识图谱（如Freebase, YAGO和Google Knowledge Graph）取得了很大成功，但它们的覆盖范围仍远未完全和全面。例如，在FB15k数据集中，10%的具有/music/artist类型的实体没有/people/person类型。 ...

统一大语言模型与知识图谱 背景 近年来，自然语言处理和人工智能领域涌现了大量研究成果，其中，大语言模型（Large Language Models, LLMS）如 ChatGPT 和 GPT-4 表现出色。然而，尽管这些模型具有出色的泛化能力，常常因其黑箱性质无法有效捕捉和访问事实知识而受到批评。另一方面，知识图谱（Knowledge Graphs, KGs）如 Wikipedia 和 Huapu 通过结构化形式存储了大量事实知识，但构建和演化知识图谱的过程却非常复杂。因此，研究人员提出将大语言模型与知识图谱相结合，利用两者的优势以实现互补。 来源 本文发表在《IEEE Transactions on Knowledge and Data Engineering》2024年7月第36卷第7期...

基于图的无采样知识图谱增强推荐 近年来，知识图谱（Knowledge Graph, KG）增强推荐系统，旨在解决冷启动问题和推荐系统的可解释性，已经吸引了大量的研究兴趣。现有的推荐系统通常侧重于隐式反馈，如购买历史记录，但缺乏负反馈。大多数系统采用负采样策略处理隐式反馈数据，这可能忽略了潜在的正用户-项目交互。而其他一些工作则采用无采样策略，将所有未观察到的交互视为负样本，并为每个负样本分配权重，以表示该样本为正样本的概率。然而，这些方法使用简单直观的权重分配策略，不能捕捉所有交互数据中的潜在关系。 研究背景与动机 随着互联网的快速发展，信息超载的问题日益严重。为了提高用户的搜索体验并增加产品供应商的收入，推荐系统应运而生，并在电子商务、社交网络等多个应用中取得了巨大成功。近年来，作为内容信...

基于知识图谱的推荐系统：Contextualized Graph Attention Network 近年来，随着在线信息和内容的爆炸式增长，推荐系统在电子商务网站和社交媒体平台等各种场景中变得越来越重要。这些系统通常旨在为用户提供她可能感兴趣的项目列表。然而，传统的基于用户行为数据的方法（例如协同过滤、深度学习）面临着数据稀疏性和冷启动问题。为了解决这些问题，研究者尝试将各种辅助信息 (side information) 融入到推荐系统中，其中包含用户的社交网络、评论文本等。 研究背景 在这些辅助信息中，项目知识图谱（Knowledge Graph, KG）包含丰富的项目间关系，并已被证明可以显著提高推荐系统的性能。知识图谱本质上是一个异构网络，其中节点代表实体，边代表关系。然而，如何将这...

近年来，知识图谱（Knowledge Graph, KG）已经在许多人工智能任务中得到了广泛应用。知识图谱通过使用头实体（head entity）、关系（relation）和尾实体（tail entity）的三元组（Triplet）表示事物及其关系，如典型三元组(h = Paris, r = capital_of, t = France)表示真实世界的一个常识事实。虽然知识图谱已经成为智能问答、实体消歧、语义网络搜索和事实核查等众多下游人工智能应用的重要资源，但现存的知识图谱并不完美，常常存在缺失关系或包含错误的问题。为了应对这些问题，知识图谱嵌入（Knowledge Graph Embedding, KGE）成为了一个主要的任务，它通过学习图谱中的结构信息和潜在逻辑规则来预测缺失的事实。 ...

知识图谱（Knowledge Graph，KG）嵌入技术是人工智能领域中的一个重要研究课题，主要用于知识获取和知识图谱的扩展。近年来，尽管有许多基于图嵌入的方法被提出，但这些方法通常只能关注知识图谱的语义信息，忽略了图的自然结构信息。因此，尽管图卷积网络（Graph Convolutional Networks，GCN）方法能够捕捉部分结构信息，但由于知识图谱的不完全性，它们仍然面临信息不足的问题。为了克服这一问题，本研究提出了一种新的模型，即深度关系图信息增益（Deep Relational Graph Infomax，DRGI），通过互信息（Mutual Information，MI）最大化充分利用了结构信息和语义信息。 本文由来自中国电子科技大学未来媒体中心的Shuang Liang,...

EEG 微状态在预测新诊断局灶性癫痫患者奥卡西平治疗效果中的作用 引言 背景 局灶性癫痫（focal epilepsy）是最常见的癫痫类型，占所有癫痫病例的约60%。根据不同的癫痫类型，抗癫痫药物的选择也会有所不同。在局灶性癫痫的治疗中，奥卡西平（oxcarbazepine，简称OXC）被广泛应用。然而，奥卡西平能够使约65%的患者实现无癫痫发作，但仍有相当部分患者未能获得良好的治疗效果。电生理监测技术，如脑电图（electroencephalography，EEG），在癫痫的诊断和管理中具有重要作用。 研究目的 微状态（microstate）是一种反映大脑电活动的时-空特征的脑电图模式。以往的研究显示抗癫痫药物可以影响大脑的EEG信号，但对奥卡西平的研究仍然有限。同时，研究显示短暂状态可能...

多级特征探索与融合网络用于MRI中IDH状态的预测研究 研究背景 胶质瘤是成年人中最常见的恶性原发性脑肿瘤。根据2021年世界卫生组织（WHO）对肿瘤的分类，基因型在肿瘤亚型划分中具有重要意义，尤其是异柠檬酸脱氢酶（IDH）基因型在诊断胶质瘤时极为重要。临床研究表明，携带IDH突变的胶质瘤通过特定的表观遗传变异特征驱动，影响酶活性、细胞代谢和生物特性；相较于携带IDH野生型的胶质瘤，携带IDH突变的胶质瘤对替莫唑胺更敏感，预后更好。目前，IDH状态的确定主要依赖于在侵入性手术后对组织标本进行基因测序或免疫组织化学分析。然而，侵入性操作可能延误最终治疗决策，甚至导致肿瘤转移。因此，迫切需要通过非侵入性的方法在术前预测IDH状态（IDH prediction），以便为胶质瘤患者制定适当的治疗方案...

基于Siamese-Transport域适应框架的3D MRI胶质瘤和阿尔茨海默病分类 研究背景 在计算机辅助诊断中，3D磁共振成像（MRI）筛查对于早期诊断各类脑部疾病具有重要作用，可以有效防止病情恶化。胶质瘤是一种常见的恶性脑肿瘤，其治疗方案因肿瘤级别的不同而有所不同。因此，准确高效的3D MRI分类在医学影像分析中至关重要。然而，传统的深度学习模型在应用于临床获得的无标签数据时，表现会严重退化，主要原因是域间不一致性，如不同设备类型和数据获取参数的差异。现有的方法主要集中在减少域间差异，但忽略了语义特征和域信息的纠缠。 论文来源 本文由Shandong University的Luyue Yu，Ju Liu，Qiang Wu，Jing Wang和Aixi Qu等人撰写，发表在2024年1...