点击蓝字关注我们
硕果飘香，桃李满园，又到了收获的季节。经过研究所的严格培养和训练，今年我所毕业生在毕业答辩过程中脱颖而出，频频传来捷报。据统计，届毕业生中，我所有6名学生获得学院优秀论文，占学院获选名额的20%，3名学生获得学校优秀论文，占学院获选名额的30%。
校级优秀毕业论文
时空网络上的图卷积模型及其应用研究
毕业生宋超
本人的研究工作旨在研究专门处理时空网络的图卷积方法。
时空网络是具有时间和空间属性的拓扑图。本人提出了时空同步图卷积网络和自适应时空同步图卷积网络两种模型用来解决时空网络预测问题，应用场景为交通流量预测。主要解决了时空数据挖掘领域的时空关系同步建模与时空异质性建模两个问题。并在传统的图卷积方法上解决了结点属性差异性建模和结点影响差异性建模的问题。
以上研究成果发表在了国际人工智能顶级会议AAAI （CCF A类会议）上：Chao Song, Youfang Lin, Shengnan Guo, Huaiyu Wan. Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal Network Data Forecasting. The 34th AAAI Conference on Artificial Intelligence.
基于图卷积的关系抽取方法研究
毕业生赵义
本人研究生期间主要对信息抽取领域的关系抽取任务进行研究，旨在从海量非结构化文本数据中，抽取得到实体之间的语义关系，应用于诸如知识图谱、问答系统等下游任务。
针对当前关系抽取模型存在的误差累计以及通用性不足的缺点，考虑整个语料集中包含的所有实体对，认为与目标实体对包含公共实体的实体对可以用于辅助目标实体对的关系抽取。将整个语料集中的所有实体之间的关联关系提取出来，以不同的形式表示就可以分别形成以实体为节点的实体关联图和以实体对为节点的实体对图。为了有效地捕获实体之间的关联关系，构建全局特征辅助关系抽取任务，本文分别提出了基于注意力机制和基于多层图卷积的全局结构特征抽取方法，并将之分别与基于词向量和双向门控循环神经网络以及预训练语言模型BERT学习得到的文本语义特征结合，形成了基于实体关联图与注意力机制的关系抽取方法（ERANN）和基于实体对图与图卷积的关系抽取方法（EPGNN）。模型在两个公开关系抽取数据集ACE 以及SemEval Task 8上均取得了最优的结果。
基于以上研究成果，撰写了论文《Improving Relation Classification by Entity Pair Graph》，发表于CCF C类会议 ACML 。
离线策略下强化学习经验重放机制优化方法研究
毕业生曹茜
本人研究生期间主要的研究方向是强化学习，包括强化学习在自动驾驶问题中的应用，以及对强化学习经验重放机制的改进以提高强化学习算法在某些任务中的训练效率。
此次的硕士学位论文《离线策略下强化学习经验重放机制优化方法研究》获得校级和院级优秀硕士学位论文奖。论文提出了两种环境下的强化学习高价值优先经验重放（HVPER）算法，并将HVPER算法应用在了基于游戏引擎X-Plane的自动着舰任务中。该生研究生期间撰写的小论文《High-Value Prioritized Experience Replay for Off-policy Reinforcement Learning》已被国际会议International Conference on Tools with Artificial Intelligence（ICTAI）接收。人工智能工具国际会议（ICTAI）是IEEE旗下AI领域的重要国际会议，被列为CCF C类国际会议。
院级优秀毕业论文
融合实体类别信息的知识表示学习方法研究
毕业生金婧
本人的研究工作是针对知识表示学习的，旨在通过将知识图谱中的实体和关系投影到低维的向量空间中，更好地服务于知识的推理和计算。
在对近些年国内外的文献进行广泛学习后，本人提出了一种融合实体类别信息的知识表示学习模型TEKRL，通过引入注意力机制来捕获实体类别和三元组关系之间的潜在关联，自动地学习实体的不同类别对某种特定关系的不同重要程度，解决了其他模型在使用实体类别信息时需要引入额外规则的问题。并在此基础上，我们通过所定义的实体类别相似度，独创性地提出了一种融合多源信息的负采样方法TENS，该方法通过对相似度不同的实体设置不同的采样概率来实现高质量的负采样。
并基于以上研究成果，撰写了论文《融合实体类别信息的知识图谱表示学习方法》，已被《计算机工程》录用。
事件的触发词与论元联合抽取方法研究
毕业生纪宇泽
硕士在读期间的主要研究方向为自然语言处理领域中的事件抽取任务。围绕对实体类别序列信息的充分利用，提出了实体类别增强的事件检测模型，并在此基础上，进一步融合Bert预训练语言模型，提升了事件联合抽取模型的性能表现。
相关学术论文《Exploiting the Entity Type Sequence to Benefit Event Detection》发表于CCF-C类国际会议CoNLL 。
基于生理时间序列的冠心病诊断模型研究
毕业生李雅静
本人的研究工作围绕生理时间序列分类问题开展，旨在通过设计、分析生理时间序列的特征，挖掘系统的内在联系和复杂程度，从而更好地对原始系统的状态进行分析与判断。
此次优秀学位论文的题目是《基于生理时间序列的冠心病诊断模型研究》，主要解决了冠心病种类诊断和患者病情发展监测两大问题。
一方面，在冠心病种类诊断模型研究中，本文结合信号分解技术和卷积神经网络提出了深度学习模型EMDNet（经验模态分解卷积神经网络）和MEMDNet（多元经验模态分解卷积神经网络），二者分别用于区分单导ECG和多导ECG的种类，两种模型的性能表现均高于目前已有的相关研究模型；另一方面，在患者病情发展监测问题上，本文使用信号分解技术、复杂度理论和统计学相关性分析等，提出了平均多尺度熵和复杂度-活动量相关系数，结果表明两种监测指标弥补了相关研究问题的空白，为临床医生提供了高效、精准、简洁的诊断方式。目前研究成果已在某医院临床试验推广。
扫码关注
北京交通大学网络科学与智能系统研究所
