An entity-graph based reasoning method for fact verification

Fact verification aims to retrieve relevant evidence from a knowledge base, e.g., Wikipedia, to verify the given claims. Existing methods only consider the sentence-level semantics for evidence representations, which typically neglect the importance of fine-grained features in the evidence-related sentences. In addition, the interpretability of the reasoning process has not been well studied in the field of fact verification. To address such issues, we propose an entity-graph based reasoning method for fact verification abbreviated as RoEG, which generates the fine-grained features of evidence at the entity-level and models the human reasoning paths based on an entity graph. In detail, to capture the semantic relations of retrieved evidence, RoEG introduces the entities as nodes and constructs the edges in the graph based on three linking strategies. Then, RoEG utilizes a selection gate to constrain the information propagation in the sub-graph of relevant entities and applies a graph neural network to propagate the entity-features for reasoning. Finally, RoEG employs an attention aggregator to gather the information of entities for label prediction. Experimental results on a large-scale benchmark dataset FEVER demonstrate the effectiveness of our proposal by beating the competitive baselines in terms of label accuracy and FEVER Score. In particular, for a task of multiple-evidence fact verification, RoEG produces 5.48% and 4.35% improvements in terms of label accuracy and FEVER Score against the state-of-the-art baseline. In addition, RoEG shows a better performance when more entities are involved for fact verification.     

基本路径测试方法之圈复杂度计算

软件测试是软件开发过程中不可缺少的重要组成部分,贯穿整个软件开发过程。在软件测试方法中,白盒测试和黑盒测试是经常使用的测试技术。白盒测试中的基本路径测试方法是解决复杂路径测试最有效的方法,而圈复杂度的计算则是基本路径测试方法中非常重要的环节。实践经验表明,圈复杂度和程序可能存在的缺陷数量有着很大的相关性,本文就基本路径测试方法中如何正确计算圈复杂度进行了探讨。     

基于二分图匹配的一类多机调度问题研究

二分图是图论当中一种特殊的模型,求带权二分图的最佳匹配算法对许多具有最优解的实际应用问题的解决是准确和高效的。针对多机系统的操作系统的一类多机调度问题进行了分析,建立了该问题的二分图模型并给出了二分图匹配的算法,对所给算法的复杂度进行了分析和讨论。实验结果验证了所提出方法的有效性。     

关于广义对称SOR方法的收敛性

对求解对称线性鞍点问题的广义对称SOR（successive over-relaxation）方法作了进一步的推广,即把该方法运用于求解非对称线性鞍点问题之中,并给出了其收敛的充要条件.     

面向对象数据库可视查询的设计与实现

为方便对语义丰富、结构复杂的对象数据库管理系统的操作,提高管理和开发效率,文中提出一种可根据需求自动产生结构清晰、布局合理的继承、合成及继承/合成全局结构的对象数据库模式图的算法,基于此生成的对象数对象数据库模式图可进行可视化和导航式的信息查询.实验结果表明该算法可作为对象数据库可视化查询的基础,并可推广到具有类似继承和合成等复杂结构的其他工程应用领域.     

基于云计算的文献合作网络的社团划分及演化分析

随着各领域科学研究的开展,文献数据与日俱增,关于文献数据的更深入的研究对于科研对象的评价与趋势分析具有重要意义.同时,随着分析方法的成熟和应用场景的延伸,文献的分析带给研究人员的一个挑战是如何在超大规模数据（PB级）中进行有效的挖掘.工业界和学术界越来越倾向于使用基于分布式密集数据计算模型,如MapReduce等,来进行大规模数据挖掘.文章在云计算平台上实现了文献数据的社团发现算法,并对学术会议的演化进行了分析.通过分析,可以清晰地看到活跃在学术会议中的科研合作团队的核心科研工作者,这对进一步了解学术会议研究方向及动态具有很强的指导性作用.     

几种叙词表复杂逻辑错误检查算法研究

目前叙词表的编制仍以手工为主,计算机为辅,因此难免会出现各种逻辑错误.为了保证叙词表的一致性,经常需要首先检查其中的逻辑错误,然后对其进行纠正.但复杂逻辑错误的检查通常比较困难,尚没有有效算法可以利用.针对这种现状,文章借助图论的相关知识,设计了几种检查复杂逻辑错误的算法,并分析了相应算法的时间复杂度.而且这些算法也可为其他词汇知识组织系统的逻辑错误检查提供一定的参考.     

Efficient querying of multidimensional RDF data with aggregates: Comparing NoSQL,RDF and relational data stores

This paper proposes an approach to tackle the problem of querying large volume of statistical RDF data. Our approach relies on pre-aggregation strategies to better manage the analysis of this kind of data. Specifically, we define a conceptual model to represent original RDF data with aggregates in a multidimensional structure. A set of translations rules for converting a well-known multidimensional RDF modelling vocabulary into the proposed conceptual model is then proposed. We implement the conceptual model in six different data stores: two RDF triple stores (Jena TDB and Virtuoso), one graph-oriented NoSQL database (Neo4j), one column-oriented data store (Cassandra), and two relational databases (MySQL and PostGreSQL). We compare the querying performance, with and without aggregates, in these data stores. Experimental results, on real-world datasets containing 81.92 million triplets, show that pre-aggregation allows for reducing query runtime in all data stores. Neo4j NoSQL and relational databases with aggregates outperform triple stores speeding up to 99% query runtime.     

面向上下文图形可视化挖掘企业网络行为

在企业分布式网络系统中,精确地识别谁在做什么日益具有挑战性。目前的网络管理系统依赖于对用户身份的推理,此类方法由于收集到的数据或缩放比例粗糙,从而在大规模的网络环境下不能精确地对网络行为挖掘、发现和管理。对主机、用户、应用程序和数据访问等网络上下文内容进行可视化挖掘、发现,从而为网络管理过程的动态化提供了重要帮助。     

图Sm*Sn的点可区别的边色数

定义图Sm*Sn为V(Sm*Sn)={w;u1,u2,…,um}U{Viji=1,2,…,m;j=1,2,…,n},E(Sm*Sn)={wui|i=1,2,…,m}U{uiVij|i=1,2,…,m;j=1,2,…,n}.本文给出了Sm*Sn的点可区别的边色数.