首页 过刊目录
过刊目录
2026年, 第63卷,第10期  刊出日期:2026-10-01
    动态异构网络中海量异质终端安全防护技术专题
  • 秦志光, 刘哲理, 纪守领, 秦臻
    计算机研究与发展. 2026, 63(10): 2479-2480. doi: 10.7544/issn1000-1239.qy20261001
  • 动态异构网络中海量异质终端安全防护技术专题
  • 王荣熙, 哈冠雄, 贾春福, 陈柯言
    计算机研究与发展. 2026, 63(10): 2481-2496. doi: 10.7544/issn1000-1239.202660423

    动态异构网络已成为新一代网络主流形态,海量异质智能终端的爆发式接入,对云边协同架构下的数据加密存储与数据隐私保护提出了严苛要求。加密去重技术可识别并删除重复的加密数据内容,能够在保护数据隐私的同时有效为云边存储节省存储成本,具有很高的实用价值。但现有加密去重方案存在易受到副本伪造攻击、计算开销高、边缘节点存储负担重等局限,无法满足实际应用需求。为此,提出一种云边存储场景下的跨用户加密数据去重方案SEDedup。首先,设计一种适用于云边存储的服务器辅助加密方法,实现高效安全的跨用户数据加密去重,同时可有效防御副本伪造攻击;其次,利用异质终端数据的时间局部性,设计一种基于时段的重复数据检测方法,在降低边缘节点存储成本的同时实现高性能重复检测;最后,融合广义去重技术,实现相似异质终端数据的无损加密去重,最大化存储效率。安全分析与性能评估表明,SEDedup在有效保护数据隐私的同时,性能方面优于现有方案。

  • 动态异构网络中海量异质终端安全防护技术专题
  • 马鸿展, 曲若非, 沈牧言, 贾梦涵, 冯登国, 秦宇, 冯伟
    计算机研究与发展. 2026, 63(10): 2497-2511. doi: 10.7544/issn1000-1239.202660436

    机密计算环境的内存加密机制使得宿主机对机密虚拟机(confidential virtual machine,CVM)的内部状态不可见,这在保证了CVM内部数据安全的同时对传统基于虚拟机监视器的容灾备份方案带来了严重的技术挑战。而使用TEE安全处理器的解决方案存在着严重的性能问题。这严重制约了云机密计算集群的部署,削弱了云机密计算节点的安全弹性。提出了ResiCVM(resilient confidential virtual machine),一个基于虚拟机客内特权级隔离的弹性容灾备份框架。通过虚拟机内部特权级隔离机制,ResiCVM 将客户虚拟机的状态提取与密码学保护逻辑,从原有TEE安全处理器上转移至虚拟机内部的高特权域中执行,同时将客户操作系统排除在可信计算基(TCB)之外。此外,为了保证虚拟机和安全管理中心之间通讯的安全性,设计了一套端到端的密码学认证通信协议,确保了虚拟机状态备份流程的安全。在AMD EPYC 9745平台上实现了ResiCVM的原型系统,实验评估表明,ResiCVM对虚拟机状态数据的备份封装存储吞吐量达到了基于TEE安全处理器方案的62.7倍。并且在多虚拟机并发的维护任务中,ResiCVM的执行效率并未出现显著下降;而基于TEE安全处理器的方案的性能则随着并发数的增加呈等比下降。ResiCVM无需对宿主机端系统做任何修改,提高了机密计算集群的灾备性能,为机密计算集群的安全运维提供了安全弹性技术支撑。

  • 动态异构网络中海量异质终端安全防护技术专题
  • 陈大江, 安一韬, 焦丽华, 肖昱璇, 邓伏虎
    计算机研究与发展. 2026, 63(10): 2512-2526. doi: 10.7544/issn1000-1239.202660259

    随着物联网终端设备在工业控制、智能交通、智能家居和智慧医疗等场景中的广泛部署,边缘侧持续产生海量半结构化日志。现有方法要么依赖日志模板ID和浅层序列模型,难以建模复杂语义;要么依赖大规模预训练模型,难以满足终端设备对实时性与资源消耗的约束。针对上述问题,提出一种面向物联网终端设备的日志异常检测技术。首先,设计基于BERT与Llama的语义增强检测模型,采用正则替换与窗口化建模抑制动态参数噪声,通过语义投影模块实现编码器和解码器表示空间对齐,并利用三阶段微调提升序列级异常判别能力。其次,构建面向终端设备的云边协同检测框架,提出两阶段置信度蒸馏与时延敏感动态路由策略,使边缘小模型承担大部分低成本检测任务,仅将低置信度样本上传云端大模型复核,在HDFS、BGL和Thunderbird-mini公开数据集上的实验表明,所提语义检测模型的F1分数分别达到99.7%、91.6%和96.6%;云边协同框架在保持95.5%总体F1分数的同时,仅需平均26.6%的云端路由比例,相当于降低73.4%的大模型调用量。

  • 动态异构网络中海量异质终端安全防护技术专题
  • 余韦, 许光全, 刘如静, 张津耀, 李春志, 白宏鹏
    计算机研究与发展. 2026, 63(10): 2527-2542. doi: 10.7544/issn1000-1239.202660455

    针对大规模物联网环境中终端资源受限、跨域信任分散和访问策略动态变化等问题,提出一种区块链与雾计算协同的轻量级访问控制机制。该机制采用“链上可信状态维护、雾侧实时授权计算、端侧轻量身份响应”的分层架构,将属性基加密中的密钥生成、策略匹配与加解密等高复杂度操作迁移至雾节点,终端仅执行物理不可克隆函数响应生成和SHA-256哈希计算。为实现细粒度授权与跨域可信访问,构建CP-ABE与KP-ABE 协同的混合授权框架,分别表达资源级访问策略和用户级资源权限;同时将设备身份哈希、策略状态和撤销事件写入Hyperledger Fabric联盟链,形成PUF物理唯一性与链上状态一致性结合的可信身份链。进一步设计短期跨域访问令牌和基于挑战哈希的外包解密验证方法,以支持跨域认证和轻量级结果校验。安全分析表明,该机制满足身份认证、会话建立、数据机密性、抗共谋、抗重放和跨域凭证不可伪造等安全目标。原型实验表明,在5个属性条件下,CP-ABE加密和解密时间分别约为13.3 ms和5.5 ms,数据访问路径延迟约为18 ms。结果表明,所提机制能够支持资源受限物联网场景下的细粒度、可审计和跨域访问控制。

  • 动态异构网络中海量异质终端安全防护技术专题
  • 王晨, 赫丽勤, 马昊玉, 沈剑, 贾春福
    计算机研究与发展. 2026, 63(10): 2543-2556. doi: 10.7544/issn1000-1239.202660403

    状态通道通过将交易迁移至链外执行,为区块链扩展性提供了一种有效的解决方案。然而,现有方案通常假设参与者集合静态不变、节点持续在线且故障率极低,这些强假设难以适配智能终端场景,严重制约了其实际部署。为应对上述挑战,提出一种面向智能终端的状态通道离线代理与容错恢复框架,核心贡献包括3个方面:1)针对智能终端频繁加入或离开导致的通道重构开销,提出一种动态成员管理机制,基于联合组签名与对称凭证验证等技术,支持成员在不暴露真实身份的前提下完成权限变更,实现动态环境下的隐私保护与安全准入;2)针对智能终端间歇性连接导致的事务中断问题,设计一种可信执行环境(trusted execution environment,TEE)辅助的离线代理机制,参与者将交易签名和状态更新委托至本地部署的TEE阵列,在隔离环境中完成离线代理执行,保障异步动态场景下的区块链操作连续性;3)针对节点故障或状态丢失风险,提出一种基于低密度奇偶校验(low-density parity-check,LDPC)码的容错状态恢复机制,将参与方状态编码为稀疏分片并分散存储至TEE阵列,并利用稀疏奇偶校验解码实现高概率高效容错恢复。实验结果表明,与现有方法相比,所提出框架的交易成功率达到现有方法的1.36~1.51倍,延迟降低20%~30%,在20%状态数据丢失的情况下,系统的可用性仍保持在95%以上,在智能终端动态环境与部分故障场景下展现出显著的性能优势。

  • 动态异构网络中海量异质终端安全防护技术专题
  • 周辉, 陈昊, 秦拯, 刘羽
    计算机研究与发展. 2026, 63(10): 2557-2575. doi: 10.7544/issn1000-1239.202660415

    联邦学习能够在不共享原始数据的条件下实现多主体协同建模,为动态异构网络中海量异质终端的协同智能提供了有效支撑,但开放参与机制使其易遭受投毒攻击。恶意客户端可通过标签翻转、后门注入及模型更新操纵等方式破坏全局模型性能。现有联邦学习投毒防御方法多采用鲁棒聚合策略,通过识别并抑制异常更新降低恶意客户端对全局模型的影响。在数据异质性场景下,现有方法存在适应性不足、单一异常指标易误判以及硬剔除策略损失有效信息等问题。针对上述问题,提出一种面向数据异质性的联邦学习投毒防御框架。框架以多维一致性评分的防御方法ConTrust为基础,通过更新方向一致性、更新幅值偏离和主子空间残差实现恶意更新识别;针对非独立同分布场景,设计融合局部近邻参考与跨轮信誉信息的历史行为建模防御方法HistTrust,缓解数据异质性导致的异常误判,提高恶意客户端识别能力。实验覆盖MNIST、FMNIST和CIFAR-10数据集及多种投毒攻击场景,结果表明,所提防御框架在不同数据分布条件下均能有效降低攻击成功率,同时保持较高模型准确率,综合防御性能优于多种典型防御方法。研究表明,针对不同数据分布特点设计差异化防御方法,能够有效提升联邦学习抵御投毒攻击的能力。

  • 动态异构网络中海量异质终端安全防护技术专题
  • 姜植元, 杨刚, 王勇军, 秦拯
    计算机研究与发展. 2026, 63(10): 2576-2595. doi: 10.7544/issn1000-1239.202660484

    动态异构网络中,海量异质终端导致安全数据分散异构,联邦学习虽能保护数据隐私实现跨终端的协同入侵检测,但其开放架构易受拜占庭攻击,即恶意客户端通过上传恶意梯度破坏全局模型。现有拜占庭鲁棒方法通常仅在特定攻击类型上有效,难以覆盖真实场景中多类型攻击共存的态势,且在攻击样本稀疏的真实流量环境下易产生大量漏报,多防御堆叠的计算开销亦难以适配资源受限终端。对此,提出基于梯度指纹决策的拜占庭鲁棒联邦学习入侵检测框架GF-FedIDS(gradient fingerprint-driven federated intrusion detection system),通过对典型拜占庭攻击梯度统计特性的分析,建立攻击模式到最优防御的确定性映射,揭示其因果关联;设计梯度指纹决策树,实现自适应选择单一最优防御策略,以单位计算开销达成全覆盖鲁棒聚合;引入类别感知实例加权机制,缓解数据不平衡下的漏报问题。在3个公开数据集、8种攻击类型条件下的广泛实验表明,在单攻击场景下,GF-FedIDS的攻击检测率(ADR)在跨数据集场景下普遍略优于最优基线;在混合攻击场景下,ADR为最优基线的1.45~2.14倍;在攻击率为5%的极端不平衡条件下,ADR为最优基线的2.06~2.29倍。此外,GF-FedIDS与FedAvg相比仅增加16%的计算开销,优于现有集成防御方法。

  • 动态异构网络中海量异质终端安全防护技术专题
  • 蔡子诺, 朱海威, 汪启瑞, 银泓锐, 马汝辉
    计算机研究与发展. 2026, 63(10): 2596-2610. doi: 10.7544/issn1000-1239.202660474

    在动态异构网络中,海量异质终端在进行分布式协同学习时面临严峻的通信瓶颈:终端之间需要频繁交换大规模模型参数,导致沉重的通信开销。为应对上述问题,提出QStar——一种面向异质终端的量子原生联邦聚合算法。与现有量子联邦学习方案需要将量子模型更新转换为经典比特串再进行传输不同,QStar在量子域内完成模型更新的传输与聚合:客户端将本地参数更新编码为量子叠加态,利用单次量子态传输即可承载多样化的候选更新策略;服务器端依据历史优化轨迹执行投影测量,直接在量子域内完成聚合。该机制使承载多个候选更新的通信代价由随候选数线性增长降为对数增长,并将候选比较与选优嵌入量子测量本身。在典型异质终端协同场景下开展的实验表明,相较于基于经典参数传输的量子联邦学习基线,QStar在收敛稳定性方面具有优势,并在类别数较多、特征较复杂的任务上取得了优于参数级量化方案的分类准确率,为动态异构网络中海量异质终端的协同学习提供了一条可行的技术路径。

  • 动态异构网络中海量异质终端安全防护技术专题
  • 伍一鸣, 池家梅, 陈城浩, 温震宇, 洪榛, 姚信威, 纪守领
    计算机研究与发展. 2026, 63(10): 2611-2631. doi: 10.7544/issn1000-1239.202660432

    外部漏洞知识是支撑大语言模型开展自动化渗透测试与漏洞复现的重要信息来源。然而,公开漏洞利用材料通常来源复杂、表示形式异构,广泛存在于脚本代码、HTTP请求片段、命令行示例以及自然语言说明文档中,缺乏统一的描述规范与明确的语义边界。现有方法虽然能够通过漏洞知识检索、利用代码生成等方式辅助漏洞利用,但仍面临漏洞利用语义提取困难、环境适配能力不足以及模型幻觉等问题,导致自动化漏洞复现成功率受限。针对上述问题,提出一种基于大语言模型的自动化漏洞复现方法ValidPoC。该方法以公开漏洞利用材料为输入,通过构建PoC语义解析、PoC中间表示建模以及PoC-Nuclei模板生成流程,实现异构漏洞利用材料向标准化漏洞利用模板的自动转换。其中,定义了面向漏洞复现的PoC语义模型,统一描述请求构造、载荷生成、执行依赖与验证判据等关键利用逻辑;设计了基于Semgrep辅助的PoC语义解析机制,从代码脚本与自然语言材料中抽取漏洞触发相关语义;构建了基于Nuclei模板的漏洞复现载体,实现漏洞利用逻辑的结构化表达与自动执行。为提高漏洞复现结果的可靠性,进一步提出基于“执行—评估—修复”闭环反馈优化机制,并建立L1(可解析执行)、L2(条件匹配成功)和L3(漏洞真实复现)三级验证模型,对漏洞触发结果进行多源证据交叉验证。在67个真实漏洞复现任务上的实验结果表明,ValidPoC能够有效提升自动化漏洞复现能力。与现有自动化渗透测试方法相比,ValidPoC取得76.12%的Pass@3漏洞复现成功率,较PentestAgent提升4.48个百分点,较PentestGPT提升43.28个百分点;同时,在Token消耗和运行时间方面均表现出较好的效率优势。实验结果验证了所提方法在异构漏洞利用材料理解、PoC模板生成以及漏洞复现验证方面的有效性。

  • 动态异构网络中海量异质终端安全防护技术专题
  • 刘瑶, 张栏弋, 鲁梦瑶, 侯睿, 姜睿临, 文宇博, 丁熠
    计算机研究与发展. 2026, 63(10): 2632-2649. doi: 10.7544/issn1000-1239.202660465

    随着云边端协同计算与物联网技术的深度融合,动态异构网络中的海量终端已成为网络安全体系中的核心防护对象。这些智能终端在持续运行过程中产生网络流量、工控传感日志等多元时间序列数据,承载着终端行为的完整语义信息。因此,对此类时间序列数据进行精准分类是实现终端威胁检测的关键技术。然而,终端异质性引发的数据分布不均衡问题,使现有时序分类模型面临三重挑战:1)受限于固定分辨率的处理范式,模型难以捕捉不同时间尺度下的多粒度威胁特征;2)现有方法通常将所有分辨率特征映射至统一高维空间,忽视了不同时间分辨率在特征维度分布上的内在差异,导致噪声引入与特征冗余,制约了模型在计算资源受限的边缘终端上的部署适配能力;3)使用多分辨率进行联合推理,各分辨率分支的特征提取与融合过程带来显著的计算与存储开销,加剧了轻量化部署与高精度检测之间的固有矛盾。为了解决时间分辨率与特征维度适配的问题,提出了面向动态异构网络的自适应多分辨率表示学习(adaptive multi-resolution representation learning,AdaMRL)模型,实现了时间分辨率与特征维度的双向对齐解耦。首先,构建了多分辨率嵌套表征架构,提出多分辨率与嵌套维度自适应匹配机制,为每个时间分辨率独立配备嵌套表示学习层,自动选择最优的维度进行嵌套表示学习;其次,提出了多分辨率联合损失监督机制,在训练阶段对各分辨率表征进行同步约束,增强跨分辨率特征的鲁棒性并加快模型收敛;最后,设计了自适应维度选择与集成策略,在推理阶段为不同分辨率动态匹配最优特征维度,并通过软投票机制实现协同决策。在10个UEA多变量时间序列基准数据集与工业物联网边缘安全基准数据集Edge-IIoTset上的广泛实验表明,AdaMRL达到了当前先进的分类性能。与基准模型相比,所提方法平均分类准确率提升0.78个百分点,并在最佳自适应配置下将冗余特征参数计算量降低27.3%,在检测精度与计算效率之间实现了有效平衡,为边缘异质终端的实时安全防护提供了有力支撑。

  • 人工智能
  • 王志鸿, 黄维, 王德贤, 李天瑞
    计算机研究与发展. 2026, 63(10): 2650-2665. doi: 10.7544/issn1000-1239.202550613

    时间序列的异常检测在金融风控、故障诊断等领域中有着重要的应用价值,其关键在于构建能够有效区分正常与异常模式的表征空间。然而时间序列内在的特点以及异常的稀缺性,导致学习具有强判别能力的表征映射函数颇为困难,且泛化能力受限。与此同时,对比表示学习通过构建清晰可区分的样本实例的表征空间,为时序异常检测提供了更为自然且富有前景的解决方案。鉴于此,设计了基于双重异常感知的Transformer模型(DAT),通过异常注入和异常感知的手段,使DAT提前捕获异常样本的复杂特征。此外,通过结合上下文对比损失函数指导双分支学习正常样本与异常样本之间更本质、更具区分度的语义特征。实验在5个公开数据集上进行验证,并与21种基线模型进行对比。结果表明DAT在公共数据集上优于基线模型的平均性能,甚至在MSL和PSM数据集上能够达到SOTA。

  • 人工智能
  • 胡耀平, 彭淑娟, 柳欣, 崔振, 朱磊
    计算机研究与发展. 2026, 63(10): 2666-2681. doi: 10.7544/issn1000-1239.202550857

    跨域图异常检测旨在利用源域图中的正常与异常样本信息,在标注稀缺的目标域图上实现有效的异常识别。然而,源域与目标域之间通常存在显著的图结构差异与特征分布偏移,导致源域知识难以有效迁移至目标域,限制了跨域泛化能力。此外,目标域缺乏标注信息,易引发训练过程中的决策边界模糊和预测不稳定问题。为解决上述问题,提出了一种融合动态原型与自监督迁移学习的跨域图异常检测方法。首先,基于源域中的正常与异常样本构建语义原型,并结合双向引导策略,实现源域原型与目标域节点在共享语义空间中的知识对齐,从而缓解跨域图之间的分布偏移。为进一步增强原型的稳定性与语义判别性,引入指数移动平均机制实现原型的动态更新;随后,通过最小化目标域节点嵌入的熵值,增强特征表示的区分度,以缓解决策边界模糊问题;最后,综合利用源域模型与无监督方法在目标域数据上生成异常评分的伪标签,并筛选高置信度样本作为弱监督信号引导模型迭代优化,从而提升识别的准确性与鲁棒性。实验结果表明,该方法在多个跨域图异常检测任务中均优于现有主流方法,验证了其在跨域迁移场景下的有效性与稳定性。

  • 人工智能
  • 胡志良, 陈思, 王大寒, 严严
    计算机研究与发展. 2026, 63(10): 2682-2696. doi: 10.7544/issn1000-1239.202550737

    1对1标签分配规则在去除后处理步骤中的非极大值抑制(non-maximum suppression,NMS)和构建无NMS的端到端检测范式中发挥了巨大作用。然而,这种严格的样本匹配规则导致训练过程中正样本数量显著减少,使得模型在特征表示学习阶段难以充分挖掘数据中的潜在语义信息,学习效率低下。为此,提出了一种跨标签分配知识蒸馏(cross-label assignment knowledge distillation,CAKD)方法,用于实现端到端的目标检测。该方法将知识蒸馏的迁移学习机制与端到端目标检测算法相结合以弥补现有1对1标签分配规则的缺陷,为知识蒸馏框架用在训练端到端检测模型建立了一条有效的知识迁移路径。具体地,该方法首先将学生模型的多尺度特征传递到教师模型的检测头中。然后,将学生—教师跨标签分配预测与教师的预测用于计算蒸馏损失。这种方式避免了直接强制学生模仿教师的特征导致的特征混乱、语义错位的问题。此外,设计了一种有效的任务感知匹配度量方式,综合考虑了分类和回归质量,避免了分类和定位任务之间没有相关性的问题。在COCO数据集上进行了大量实验证明了提出方法的有效性。提出的跨标签分配知识蒸馏方法在非端到端FCOS基线模型上的均值平均精度(mean average precision,mAP)达到了38.8%的无NMS检测性能,其相较于原始有NMS的检测性能实现了2.2个百分点的精度增益。

  • 人工智能
  • 曾泽凡, 司悦航, 成清, 刘忠
    计算机研究与发展. 2026, 63(10): 2697-2714. doi: 10.7544/issn1000-1239.202550803

    事件因果关系识别旨在检测文本中事件间的因果关系。与面向单个句子内事件的句子级事件因果关系识别相比,文档级事件因果关系识别需要处理长文本和跨句事件等更加复杂的情形。当前,文档级事件因果关系识别方法面临2个关键挑战:1)学习高质量的上下文感知事件表征以捕捉事件特定的因果语义;2)有效整合结构与语义信息进行因果推理。针对这2个局限性,提出基于多粒度语境感知与迭代图优化(multi-granularity context-aware and iterative graph optimization,MAIGO)的文档级事件因果关系识别模型。该模型通过多粒度注意力机制实现语境感知事件表征,并借助拓扑-嵌入的相互促进来动态迭代优化事件因果图结构。利用句子级、文档级和图级注意力增强事件嵌入,捕获事件-事件、事件-句子及句子-句子间的交互作用,从而生成更优质的事件表征。进一步地,构建事件因果图,并通过掩码注意力在迭代优化过程中联合优化事件因果图结构与事件嵌入。在2个基准数据集和1个多语言数据集上的实验分析证明了MAIGO的有效性,在跨句因果关系识别任务中相较最先进模型分别实现了4.1%(因果关系存在识别)和7.3%(因果关系方向识别)的性能提升。深入分析证实了多粒度语境感知增强表示策略与迭代图优化机制的优势。

  • 人工智能
  • 林丽, 李宗晟, 王帅
    计算机研究与发展. 2026, 63(10): 2715-2732. doi: 10.7544/issn1000-1239.202550842

    库存调度在现代供应链中扮演着至关重要的角色,其核心目标在于通过合理的库存调度平衡生产与需求之间的关系。然而,随着市场需求的不确定性和商品属性的多样化,基于经验的传统库存调度方法往往难以有效地将商品属性与需求波动结合考虑,并且其决策结果缺乏可解释性,使得其库存调度结果难以追溯原因且信任度较低。另一方面,大语言模型的出现为库存调度决策问题的可解释性提供了新的解决方案。然而,直接将库存调度流程中的补货策略引入推理过程会导致推理过程的误差积累,导致推理结果不稳定。针对上述问题,不仅要考虑推理过程的合理性,还要关注最终决策效果的优化。为了解决上述挑战,一种基于大语言模型的库存调度多步推理框架InvLLM被提出。主要贡献如下:1)基于库存调度工作流程设计了一种自校准的多步推理方法;2)提出了一种用于库存调度决策的多目标平衡优化方法。此外,为了解决推理微调阶段的偏差问题,提出了一种结合生成奖励模型的“词元规划”监督微调方法,实现了高准确性与逻辑一致性之间的平衡。通过在中国电子商务公司“京东”提供的大规模真实数据集上的实验评估,证明了所提出的InvLLM框架相较于现有的库存调度方法在服务率和总体库存评价分数上分别提高了3.24%和1.55%,并降低了1.33%的库存率,验证了该方法的有效性和实用性。

  • 人工智能
  • 董博文, 刘雪莉, 冯潇洋, 麦珍珍, 王文俊
    计算机研究与发展. 2026, 63(10): 2733-2751. doi: 10.7544/issn1000-1239.202550845

    知识图谱推理因其能够有效缓解知识图谱中的数据不完整问题而受到广泛关注。现有方法多依赖于嵌入模型或链式规则,但在可解释性与表达能力方面仍存在明显局限。一方面,基于闭合路径的规则学习仅能建模线性链式依赖,难以捕捉图结构中存在的多路径交互与层次化语义关系;另一方面,基于统计指标的传统方法通常采用“穷举+验证”策略,不仅在大规模图谱中面临高昂计算成本,也难以充分挖掘规则间的深层语义关联,从而制约了推理性能的进一步提升。为此,提出一种基于对比学习的图结构规则学习方法CGRL(contrastive graph rule learning),以同时提升推理的表达能力与可解释性。CGRL 通过三重机制实现高效规则学习:首先,采用自适应聚类策略为节点生成软标签,引入类别语义以增强规则泛化能力;其次,设计多跳邻域采样方法构建语义子图,并生成高质量正负规则样本;最后,利用基于 Transformer 的编码器学习规则表示,并通过对比学习将规则对映射至统一向量空间以优化语义一致性判别。在6个公开知识图谱补全任务上的实验结果表明,CGRL 取得了显著性能提升。在FB15k-237 和 WN18RR这种关系结构相对复杂的数据集下,其MRR 指标平均提升 6.04%,Hits@1 指标平均提升 16.26%,显著优于现有基线方法,验证了其在学习高质量图结构规则与提升推理效果方面的有效性。

  • 人工智能
  • 李婷婷, 孙守强, 李青青, 万玲
    计算机研究与发展. 2026, 63(10): 2752-2766. doi: 10.7544/issn1000-1239.202550930

    社交媒体中金融舆情的负向情感强度识别对金融风险防控与市场稳定具有重要意义。针对图文多模态信息在金融情感表达中的普遍性,以及模态间结构关联有待深入挖掘的问题,提出一种基于图卷积网络与Stacking集成学习协同增强的多模态负向情感强度识别模型。该模型首先利用CLIP模型提取文本与图像的语义特征;随后,通过构建多模态图结构并引入图卷积网络,实现特征的结构化关联嵌入,以增强对模态间潜在关联的捕捉能力;最后,构建双层Stacking集成学习框架,通过融合多个差异化基分类器的预测结果,优化情感强度识别的决策性能。实验结果表明,在最优配置下,模型的F1分数达83.57%,AUC达95.05%,相较于单一文本最优模型、单一图像最优模型及原始CLIP多模态模型,F1分数分别提升2.48个百分点,5.27个百分点,1.87个百分点。实验结果验证了所提方法在挖掘模态关联与提升识别性能方面的有效性,可为金融舆情智能化分析与金融风险监测提供技术支撑。