基于事件社会网络(Event-Based Social Network,EBSN)是一种结合了线上网络和线下网络的新型社会网络,近年来得到了越来越多关注,已有许多国内外重要研究机构的研究者们对其进行研究并取得许多研究成果.在EBSN推荐系统中,一个重要任务就是设计出更好、更合理的推荐算法以提高推荐精确度和用户满意度,其关键在于充分结合EBSN中的各种上下文信息去挖掘用户、事件和群组的隐藏特征.本文主要对EBSN推荐系统的最新研究进展进行综述. 首先,概述EBSN的定义、结构、属性和特征,介绍EBSN推荐系统的基本框架,以及分析EBSN推荐系统与其他推荐系统的区别.其次,对EBSN推荐系统的主要推荐方法和推荐内容进行归纳、总结和对比分析.最后,分析EBSN推荐系统的研究难点及其发展趋势,并对本文作出总结.

http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6145&flag=1

成为VIP会员查看完整内容
0
13

相关内容

随着网络空间安全情报在网络犯罪、网络战和网络反恐等领域的作用日益凸显,迫切需要对网络空间安全情报的基本理论和综合分析方法进行深入研究。当前,安全情报在实际应用中主要面临着数据类型多样、分布离散、内容不一致等问题,因此引入知识图谱技术框架,旨在利用知识图谱面向海量数据时信息收集及加工整合的思想,提高安全情报的收集效率、情报质量,同时拓展情报的使用范围。本文首先简要回顾安全情报和知识图谱的研究现状,同时介绍知识图谱在安全领域的应用。其次给出面向安全情报的知识图谱构建框架。然后介绍安全情报知识图谱构建的关键技术,包括信息抽取、本体构建和知识推理等。最后,对安全情报知识图谱发展面临的问题进行了讨论。

http://jcs.iie.ac.cn/xxaqxb/ch/reader/view_abstract.aspx?file_no=20200505&flag=1

成为VIP会员查看完整内容
0
13

随着信息技术的快速发展,网络攻击逐渐呈现多阶段、分布式和智能化的特性,单一的防火墙、入侵检测系统等传统网络防御措施不能很好地保护开放环境下的网络系统安全。网络攻击模型作为一种攻击者视角的攻击场景表示,能够综合描述复杂多变环境下的网络攻击行为,是常用的网络攻击分析与应对工具之一。本文首先介绍主要网络攻击模型,包括传统树、图、网结构模型和现代杀伤链、ATT&CK、钻石模型等;然后再对网络攻击模型的分析与应用进行说明,其中以求解攻击指标为目的的分析过程主要包括概率框架、赋值方法和求解方法,基于生命周期的攻击模型应用则包括了攻击者视角和防守者视角的应用过程;最后总结了网络攻击模型及其分析应用的现有挑战与未来方向。

http://www.sicris.cn/CN/abstract/abstract862.shtml

成为VIP会员查看完整内容
0
13

我们生活在一个由大量不同模态内容构建而成的多媒体世界中,不同模态信息之间具有高度的相关性和互补性,多模态表征学习的主要目的就是挖掘出不同模态之间的共性和特性,产生出可以表示多模态信息的隐含向量.该文章主要介绍了目前应用较广的视觉语言表征的相应研究工作,包括传统的基于相似性模型的研究方法和目前主流的基于语言模型的预训练的方法.目前比较好的思路和解决方案是将视觉特征语义化然后与文本特征通过一个强大的特征抽取器产生出表征,其中Transformer[1]作为主要的特征抽取器被应用表征学习的各类任务中.文章分别从研究背景、不同研究方法的划分、测评方法、未来发展趋势等几个不同角度进行阐述.

http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6125&flag=1

成为VIP会员查看完整内容
0
37

复杂网络在现实场景中无处不在,高效的复杂网络分析技术具有广泛的应用价值,比如社区检测、链路预测等.然而直接对大规模的复杂网络邻接矩阵进行分析需要较高的时间、空间复杂度,网络表征学习是一种解决此问题的有效方法.该类方法将高维稀疏的网络信息转化为低维稠密的实值向量,可以作为机器学习算法的输入,便于后续应用的高效计算.传统的网络表征学习方法将实体对象嵌入到低维欧氏向量空间中,但复杂网络是一类具有近似树状层次结构、幂率度分布、强聚类特性的网络,该结构更适合用具有负曲率的双曲空间来描述. 本文将针对复杂网络的双曲空间表征学习方法进行系统性的介绍和总结.

http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6092&flag=1

成为VIP会员查看完整内容
0
16

近年来,随着web2.0的普及,使用图挖掘技术进行异常检测受到人们越来越多的关注.图异常检测在欺诈检测、入侵检测、虚假投票、僵尸粉丝分析等领域发挥着重要作用.本文在广泛调研国内外大量文献以及最新科研成果的基础上,按照数据表示形式将面向图的异常检测划分成静态图上的异常检测与动态图上的异常检测两大类,进一步按照异常类型将静态图上的异常分为孤立个体异常和群组异常检测两种类别,动态图上的异常分为孤立个体异常、群体异常以及事件异常三种类型.对每一类异常检测方法当前的研究进展加以介绍,对每种异常检测算法的基本思想、优缺点进行分析、对比,总结面向图的异常检测的关键技术、常用框架、应用领域、常用数据集以及性能评估方法,并对未来可能的发展趋势进行展望.

http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6100&flag=1

成为VIP会员查看完整内容
0
33

摘要: 网络是一系列节点和边的集合,通常表示成一个包含节点和边的图。许多复杂系统都以网络的形式来表示,如社交网络、生物网络和信息网络。为了使网络数据的处理变得简单有效,针对网络中节点的表示学习成为了近年来的研究热点。网络表示学习旨在为网络中的每个节点学习一个低维稠密的表示向量,进而可将得到的向量表示运用到常见的网络分析任务中,如节点聚类、节点分类和链路预测等。然而,绝大多数真实网络节点都有丰富的属性信息,如社交网络中的用户资料和引文网络中的文本内容。网络的属性信息对网络表示具有重要的作用,当网络高度稀疏时,网络的属性信息是网络表示重要的辅助信息,有助于更好地学习网络表示。传统的邻接矩阵仅仅表示了边的信息,而无法加入节点的属性信息。因此,网络表示不仅要保存网络的结构信息,还要保存网络的属性信息。此外,大多数真实世界网络都是动态变化的,这种变化包括网络节点的增加和减少,以及网络边的新建和消失。同时,与网络结构变化相似,网络中的属性也会随着时间的推移发生变化。随着机器学习技术的发展,针对网络表示学习问题的研究成果层出不穷,文中将针对近年来的网络表示学习方法进行系统性的介绍和总结。

http://www.jsjkx.com/CN/10.11896/jsjkx.190300004

成为VIP会员查看完整内容
0
43

推荐系统旨在为用户推荐个性化的在线商品或信息, 其广泛应用于众多Web场景之中, 来处理海量信息数据所导致的信息过载问题, 以此提升用户体验. 鉴于推荐系统强大的实用性, 自20世纪90年代中期以来, 研究者针对其方法与应用两方面, 进行了大量广泛的研究. 近年来, 很多工作发现知识图谱中所蕴含的丰富信息可以有效地解决推荐系统中存在的一系列关键问题, 例如数据稀疏、冷启动、推荐多样性等. 因此, 本文 针对基于知识图谱的推荐系统这一领域进行了全面的综述. 具体地, 首先简单介绍推荐系统与知识图谱中的一些基本概念. 随后, 详细介绍现有方法如何挖掘知识图谱不同种类的信息并应用于推荐系统. 此外, 总结了相关的一系列推荐应用场景. 最后, 提出了对基于知识图谱的推荐系统前景的看法, 并展望了该领域未来的研究方向.

成为VIP会员查看完整内容
0
99

摘要: 手语识别涉及计算机视觉、模式识别、人机交互等领域,具有重要的研究意义与应用价值。深度学习技术的蓬勃发展为更加精准、实时的手语识别带来了新的机遇。该文综述了近年来基于深度学习的手语识别技术,从孤立词与连续语句两个分支展开详细的算法阐述与分析。孤立词识别技术划分为基于卷积神经网络(CNN)、3维卷积神经网络(3D-CNN)和循环神经网络(RNN) 3种架构的方法;连续语句识别所用模型复杂度更高,通常需要辅助某种长时时序建模算法,按其主体结构分为双向长短时记忆网络模型、3维卷积网络模型和混合模型。归纳总结了目前国内外常用手语数据集,探讨了手语识别技术的研究挑战与发展趋势,高精度前提下的鲁棒性和实用化仍有待于推进。

成为VIP会员查看完整内容
0
22
小贴士
相关VIP内容
专知会员服务
13+阅读 · 1月8日
专知会员服务
13+阅读 · 2020年12月28日
专知会员服务
37+阅读 · 2020年12月3日
专知会员服务
16+阅读 · 2020年11月13日
专知会员服务
26+阅读 · 2020年11月12日
专知会员服务
33+阅读 · 2020年10月27日
专知会员服务
43+阅读 · 2020年9月24日
专知会员服务
14+阅读 · 2020年9月11日
专知会员服务
99+阅读 · 2020年8月10日
专知会员服务
22+阅读 · 2020年5月18日
相关资讯
综述 | 异质信息网络分析与应用综述
专知
4+阅读 · 2020年8月8日
【中科院】命名实体识别技术综述
专知
5+阅读 · 2020年4月21日
推荐系统之矩阵分解家族
图与推荐
9+阅读 · 2020年3月28日
网络表示学习概述
机器学习与推荐算法
16+阅读 · 2020年3月27日
推荐系统(一):推荐系统基础
菜鸟的机器学习
14+阅读 · 2019年9月2日
热点! 虚假新闻检测综述
专知
72+阅读 · 2019年2月26日
【社交网络】一文读懂社交网络分析
产业智能官
9+阅读 · 2017年10月14日
基于MOOC数据的学习行为分析与预测
计算机研究与发展
5+阅读 · 2017年10月11日
相关论文
Stochastic Activity Networks Templates: Supporting Variability in Performability Models
Leonardo Montecchi,Paolo Lollini,Andrea Bondavalli
0+阅读 · 1月13日
Overlapping Community Detection in Temporal Text Networks
Shuhan Yan,Yuting Jia,Xinbing Wang
0+阅读 · 1月13日
Marco Marcozzi,Leonardo Mostarda
0+阅读 · 1月11日
Petteri Kaskenpalo,Stephen G. MacDonell
0+阅读 · 1月11日
Amjed Tahir,Stephen G. MacDonell
0+阅读 · 1月11日
Yuhao Mao,Serguei A. Mokhov,Sudhir P. Mudur
0+阅读 · 1月7日
Heterogeneous Relational Reasoning in Knowledge Graphs with Reinforcement Learning
Mandana Saebi,Steven Krieg,Chuxu Zhang,Meng Jiang,Nitesh Chawla
7+阅读 · 2020年3月12日
Qingyu Guo,Fuzhen Zhuang,Chuan Qin,Hengshu Zhu,Xing Xie,Hui Xiong,Qing He
62+阅读 · 2020年2月28日
Generative Adversarial Networks: A Survey and Taxonomy
Zhengwei Wang,Qi She,Tomas E. Ward
8+阅读 · 2019年6月4日
Paul Groth,Michael Lauruhn,Antony Scerri,Ron Daniel Jr
6+阅读 · 2018年2月15日
Top