公共文化服务平台

张赞: 作品数：10 被引量：10H指数：2; 供职机构：合肥工业大学计算机与信息学院更多>>; 发文基金：国家自然科学基金国家重点基础研究发展计划中央高校基本科研业务费专项资金更多>>; 相关领域：自动化与计算机技术历史地理更多>>

合作作者

家谱知识图谱的噪音检测方法及其装置、电子设备: 本发明公开了一种家谱知识图谱的噪音检测方法及其装置、电子设备。其中，该检测方法包括：获取预先构建的噪音子图库和待检测的家谱知识图谱，其中，噪音子图库是通过对推理知识结果归纳得到的，噪音子图库中包括：至少一个噪音子图；基于...; 吴信东盛绍静刘古刘张赞; 文献传递

贝叶斯网络隐藏变量维数学习研究及应用: 在过去的数十年间,很多研究集中于通过数据驱动的方式来学习贝叶斯网络。但是现实世界是复杂多变的,有许多知识是隐蔽的,不易被观测到。在关于贝叶斯网络的研究中,也存在同样的问题,这就是隐变量。隐变量是不可观察到的变量,但是隐变...; 张赞; 关键词：贝叶斯网络模拟退火; 文献传递

基于坐标信息的家谱树展示方法及装置、电子设备: 本发明公开了一种基于坐标信息的家谱树展示方法及装置、电子设备。其中，该方法包括：获取待展示家谱的人物集合和人物间关系；采用预设遍历策略，从初始先祖开始对人物集合进行遍历，并计算每个家谱人物的页面坐标；基于人物间关系和每个...; 张赞张哲盛绍静吴信东

一种基于因果强度的局部因果结构主动学习方法: 因果结构学习是贝叶斯网络学习中一种重要的结构学习方法，因果关系揭示了系统要素作用的本质.由于仅利用观测数据很难准确的发现变量间的因果关系，且通常人们仅关心网络中关于某一变量的局部因果关系.针对难以从观测数据中仅获取所感兴...; 周冬梅王浩姚宏亮李俊照张赞; 关键词：贝叶斯网络; 文献传递

一种基于多阶邻居的网络环境下多标签分类算法被引量：5: 2016年; 随着标签分类应用的增长,社交网络环境下多标签分类已成为一个重要的数据挖掘研究领域.关系分类模型基于一阶邻居做标签分类,其性能优于传统的多标签分类器.但现有的关系分类模型也存在问题:第一,仅利用一阶邻居做分类,未能充分使用邻居信息.第二,网络数据通常包含大量不连通的孤立部分,其标签无法利用现有的关系分类模型分类.考虑基于共引规则为非孤立节点挖掘二阶邻居和基于节点特征向量相似度为孤立节点挖掘高阶邻居,本文提出一种新的基于多阶邻居的网络数据多标签分类算法,称为MORN算法.在多个真实数据集上将MORN与现有的关系分类模型作对比,实验表明,MORN算法能够学习到更多节点的标签且精度优于传统关系分类方法.; 王浩张赞李磊汪萌; 关键词：社交网络

数据中台框架与实践被引量：3: 2023年; 数据中台将一个机构(企业、事业或政府部门)的数据作为战略资产进行管理,是从数据收集到处理应用的一套管理机制,以期提高数据质量,实现广泛的数据共享,最终实现数据价值最大化。给出数据中台的定义,提出数据中台参考技术框架,并分别对物理管理、逻辑管理、数据资产管理、数据服务和信息安全管理的组成和技术进行了展开讨论。最后以华谱系统建设为例,介绍面向家谱大数据、结合HAO智能模型的数据中台实现——华谱数据中台。; 吴信东吴信东盛绍静蒋婷婷卜晨阳张赞

一种基于因果强度的局部因果结构主动学习方法被引量：2: 2012年; 因果结构学习是贝叶斯网络学习中一种重要的结构学习方法,因果关系揭示了系统要素作用的本质。由于仅利用观测数据很难准确地发现变量间的因果关系,且通常人们仅关心网络中关于某一变量的局部因果关系,因此针对难以从观测数据中仅获取所感兴趣的变量的局部因果结构的问题,提出了一种局部结构学习方法,即一种基于因果强度的局部因果结构主动学习方法(CSI-LCSL)。CSI-LCSL方法融合了马尔可夫毯的结构划分能力和扰动学习的因果发现能力,并且引入了因果强度进行扰动结点的选择。利用HITON_MB算法寻找目标结点的马尔可夫毯,生成关于目标结点的局部模型;然后,利用不对称信息熵对局部模型中的每一结点进行因果强度分析,选取因果强度值较大的结点进行扰动,生成扰动数据;进而,联合扰动数据和观测数据利用准确方法(exact method)学习边的后验概率,从而获得一个关于目标结点的局部因果网络。利用结构信息熵对CSI-LCSL方法的学习结果进行评估。在标准网络上的实验结果证实了CSI-LCSL算法的有效性。; 周冬梅王浩姚宏亮李俊照张赞; 关键词：贝叶斯网络

家谱人物关联方法及装置、电子设备: 本发明公开了一种家谱人物关联方法及装置、电子设备。其中，该方法包括：获取目标家谱中的所有待考人物节点，其中，目标家谱对应构建有家谱树，待考人物节点是指缺失亲属关联边信息的节点，每个待考人物节点对应一个待考人物；根据每个待...; 吴信东赵海霞张赞卜晨阳盛绍静

社交网络中的群体行为分类方法研究: 随着社交网络的迅猛发展，人们在社交网络上的活动日益频繁。网络群体的交互活动产生了大量的网络群体行为。这些群体行为中隐含着丰富的有价值的知识亟待挖掘。如何帮助人们从社交网络数据中找出群体行为交互和影响机制，实现对群体行为的...; 张赞; 关键词：社交网络

基于样本间潜在关系的多变量时间序列分类: 2023年; 多变量时间序列(multivariate time series,MTS)分类任务旨在确定多变量时间序列样本的标签。多变量时间序列数据存在时序关系和样本相似性关系等丰富的关系信息,然而现有的算法未能充分利用关系信息导致分类性能难以提升。基于此,文章提出一种基于图卷积网络(graph convolutional network,GCN)的多变量时间序列分类方法,通过挖掘样本间的潜在关系来提高分类性能。为了有效表示样本关系,设计基于样本相似度的构图规则,对样本数据进行建模从而将样本的时序特征和潜在关系信息映射到图空间中,提出基于图卷积的分类模型,通过聚合样本特征来捕获有利于分类的潜在样本关系,更新到样本自身特征向量以提升分类精度。在11个公共数据集上的大量实验结果表明,该文所提算法优于12种对比算法,可见通过挖掘时间序列数据之间潜在的关系用于分类对分类结果具有重要影响,从而为处理时间序列分类问题提供一种新的途径。; 唐胜唐吴共庆台昌杨杨泽张赞