关键词： 轴心轨迹   旋转机械   图像增强   故障预警   故障诊断   深度学习  

摘要： 随着工业科技水平的迅猛提高,离心压缩机、蒸汽轮机等旋转机械作为工业领域中重要的动力装置,日趋大型化、高速化、复杂化和智能化。由于长期工作于高转速、高腐蚀、高负载等极端环境,旋转机械极易发生故障甚至导致损坏停机。因此,针对旋转机械的状态监测与故障诊断研究具有重要的意义。本文在现有旋转机械状态监测和故障诊断相关技术理论的基础上,融合了深度学习方法和轴心轨迹故障机理,对旋转机械系统进行状态监测与故障诊断研究。由转轴振动信号合成的轴心轨迹是表征旋转机械故障的一个重要特征。当转子系统部件发生故障时,根据故障机理不同,轴心轨迹的特征也存在差异。基于不同故障和轴心轨迹特征之间的映射关系,可以对旋转机组进行精准的状态监测和故障识别。因此,本研究在传统振动数据分析的基础上进一步挖掘旋转机械转子在空间中的振动轨迹特征,采用深度神经网络模型自动化提取轨迹图像特征,并应用于旋转机械的状态监测与故障诊断。本课题的主要内容包括以下几个方面:(1)研究旋转机械基于轴心轨迹特征的智能诊断方法以及相关技术,包括振动信号降噪方法、振动特征预警模型、图像预处理技术、图像模式识别方法和深度学习模型等,为后续研究提供理论支撑。(2)针对传统模型泛化能力差、可移植性低和对多维空间数据特征刻画能力弱等问题,本文提出了一种基于卷积长短时网络(Conv LSTM)的轴心轨迹状态通用预警模型。该模型能够在传统时间序列预警模型的基础上,拓展多维空间数据的特征提取能力。经过算例验证,该模型在旋转机械的故障监测上具有较好的效果,能够根据轴心轨迹识别出转子系统的异常状态。(3)针对小样本条件下基于轴心轨迹图像的故障诊断问题,本文结合深度卷积生成网络(DCGAN)来增强轴心轨迹图片数量,以提高轨迹图片的代表性,由此提升深度卷积模型对旋转机组故障自动识别的准确性和鲁棒性。然后,基于增强的轴心轨迹图像集构建了深度卷积识别网络,对旋转机械的故障模式进行诊断,并采用标准化,正则化和交叉检验等方法来提高模型性能。通过实际机组的运行数据和故障事件进行比较研究,验证了所提模型及方法的实用性和普适性。

关键词： 语料库语言学   法律词汇   词表建设   分布度  

摘要： 词汇是外语学习的基础。近些年产生了许多利用语料库进行词表建设的研究。但国内外的相关研究大多以日常生活及口语教育词汇为对象,有关法律词汇的词表建设研究较少。在过去利用语料库进行日语法律词汇表建设的尝试中,存在着“语料选择”及“分词方式”上的问题。针对既有研究中的一些不足之处,本文选择用自建语料库及机器分词的方式构建《日语法律词汇表》。在构建词表的过程中遇到了一些如“机器分词准确率低”等既有研究中未曾提及的困难,本文对此提出解决方法并将所需资料附在文末,以供后来者参考。完成《日语法律词汇表》的建设后,主要从“分布度与词频的关系”的角度对法律词汇进行了量化的特征分析。既有研究虽然指出了分布度与词频的重要性,但尚未发现有研究对二者的关系进行探讨。经过分析:超高频词及超低频词的变化近似直线,随着分布度的增加,超高频词的占比逐渐增加,超低频词的占比逐渐减少。而随着分布度的增加,高频词、中频词、低频词的占比变化并不呈直线,而呈现先升后降的倒U形。并且,超高频词曲线与超低频词曲线、高频词曲线与低频词曲线、中频次曲线自身都存在着大致的轴对称关系。全文共由七章构成。第一章说明了本文的研究背景、研究目的、研究意义、研究方法,并介绍了 IPADIC、MeCab、KH Coder 等相关软件。第二章从词表建设相关研究、专业术语相关研究、语料库构建及统计学相关研究三个角度出发对既有研究进行总结,并介绍了既有研究的不足之处及本文的创新之处。第三章阐释了语料库建设及分词的过程。针对既有研究中存在的“语料选择不科学”的问题,本文在了解日本法律结构的基础上,选取日本“六法”为语料,利用KH Coder及MeCab构建语料库,并对法律文本进行分词。面对“机器分词准确率低”的问题,本文采取添加《用户词典》及《停用词表》的方式来校对分词结果,保证分词准确率。第四章的主要任务是抽取第三章分词结果中的“法律词汇”。本章利用了“软件自动筛选排除”“与日常词表对比”“利用对数似然函数(LLR)排除”三个方法抽取了分词结果中的法律词汇,并构建出《日语法律词汇表》。最后对词表进行了检测。第三、四章中的词表构建流程也可用于医学、理工类等各个专业领域的词表构建。第五章从“词性”“词频”“分布度”“分布度与词频的关系”四个角度对法律词汇的特征进行了量化分析。其中,主要是对“分布度与词频的关系”进行探讨。第六章基于本文研究成果,针对如何学习法律词汇,从“如何选择学习范围”“如何把握重点”“利用KHCoder学习法律词汇”三方面提出建议。第七章对本文进行总结,说明本文的不足之处及今后的课题。最终,作为本文的研究成果,制作出《日语法律词汇表》及《日语法律核心词汇表》并附有词性、词频、分布度等相关信息,供学习者学习。在构建词表时整理出的《预处理过的法律文本》《用户词典》等资料以二维码的方式附于文后,供对日语法律词汇感兴趣的研究者取用。期待本文能够帮助到日语学习者,促进专业词汇的研究。

关键词： 分数量子霍尔系统   双层系统   高朗道能级   无序   主成分分析   神经网络  

摘要： 分数量子霍尔效应是现代凝聚态物理领域中最重要的发现之一。作为一个完全由粒子间相互作用主导的多体关联系统,分数量子霍尔系统中不断涌现出新奇的拓扑量子态。目前,人们对于这些量子相态的理解还不透彻,主要依赖于一些特定的唯象理论或模型波函数。另一方面,机器学习作为人工智能的一个重要分支,近些年在凝聚态物理方向得到了广泛的应用。但是,这些应用大多集中在一些特殊的晶格模型系统,针对分数量子霍尔系统的研究极少。本论文将尝试利用机器学习的不同方法,对分数量子霍尔系统中由多种效应导致的各类量子态以及它们之间的相变进行系统性的研究。主要工作包括下面三个部分: 首先,利用无监督机器学习中的主成分分析法对具有分数填充因子的多个双层分数量子霍尔系统进行了研究。结果表明,在由层间隧穿效应和层间耦合作用构造的参量空间的不同物理极限下,双层系统可以呈现出不同的量子相态。此外,研究发现即使能谱的间隙并没有完全闭合,依然可以利用主成分分析中一些共同的特征来识别两个竞争相之间的跃迁和相边界。本文进一步提供了数值证据,证实了双层系统在大的层间隧穿极限下与单层系统相似。在强相关双层极限、解耦双层极限和强层间隧穿极限时,可以应用主成分分析的一般方法来确定相的临界边界。 其次,针对具有半填充高朗道能级的量子霍尔系统,本文分别应用机器学习中的主成分分析和神经网络方法对该系统中条形电荷密度波态对抗杂质散射的鲁棒性进行了研究。通过无监督主成分分析法,本文发现,即使存在有限强度的无序散射,条形态的主要特征仍然可以由波函数中的若干主成分共同表达。而这些关联成分随散射强度的协同坍塌,标志着系统由长程有序态向无序态的转变。本文进一步应用主成分分析和神经网络方法确定了这一相变的临界杂质散射强度。这一研究有望为后续在现实的物理系统中实验观测条形相态提供参数依据。 最后,对于填充因子为5/2这一有着偶数分母的特殊单层分数量子霍尔系统,本文用主成分分析法研究了它在粒子-空穴对称性被破坏情况下的行为。通过引入一个模型三体势来表征粒子-空穴破缺的机制,本文发现5/2系统随三体势的强度和方向分别向具有非阿贝尔统计的两类特殊拓扑量子态进行演变。而它们的转变点对应的就是粒子-空穴对称的纯库伦作用系统。由于人们未来期望利用5/2系统中的这两类特殊态来设计量子比特,本文的结果揭示出粒子-空穴破缺对它们的存在将具有关键作用。 本文利用机器学习方法获得的上述研究结果,验证了机器学习作为一种新的研究手段在分数量子霍尔系统中的适用性。更进一步而言,机器学习直接分析原始的波函数,不依赖于先期经验性的理论假设和模型,因而可以被更普遍地推广应用到一些人们还不曾理解的陌生系统。

关键词： 小学语文   高年级教学   综合性学习  

摘要： 语文综合性学习的本质内涵,在于通过有效的资源整合来为学生构建一个更加开阔的学习空间,在此过程中学生不仅能够有效地提高自身的语言知识水平,同时还能够开阔自身学习视野,将目光转向语文教材以外的层面,从而对知识形成更加全面的认识。在这样的情况之下,小学语文教师应当提高对语文综合性学习的重视,立足于学生综合发展的角度分析,为其投放更加契合的学习材料,以此整体提高语文教学水平。基于此,本文以小学高年级语文教学为例,讨论综合性学习的重要意义。

关键词： 肺腺癌   计算机断层扫描   Ki-67   组织学级别   肺腺癌   计算机断层扫描   深度学习   影像组学   淋巴结   转移   肺腺癌   计算机断层扫描   影像组学   生存   辅助化疗  

摘要： 第一部分 CT语义学特征评估Ⅰ期肺腺癌增殖活性的研究 目的:肺腺癌患者在根治性切除术后仍有较高的复发风险,识别预后不良的肺腺癌患者对优化治疗策略具有重要意义。Ki-67标记指数(labeling index,LI)能反映肿瘤细胞增殖活性,是肺腺癌的重要预后因素。本研究旨在探讨Ⅰ期肺腺癌的临床病理学特征和CT语义学特征与Ki-67 LI的关系。 方法:回顾性纳入182例经手术病理证实的Ⅰ期肺腺癌患者。通过免疫组织化学方法检测Ki-67 LI。将患者划分为Ki-67低表达(Ki-67 LI<10%)和高表达(Ki-67 LI≥10%)。两位放射科医师回顾患者术前CT图像,独立评估CT语义学特征。采用单因素分析和多因素逻辑回归分析探究Ⅰ期肺腺癌的临床病理学特征和CT语义学特征与Ki-67表达的关系。 结果:患者中共73例(40.1%)为Ki-67低表达,109例(59.9%)为Ki-67高表达。Ki-67高表达在男性、有吸烟史、更高吸烟指数、CEA>5 ug/L、CYFRA 21-1>3.3 ug/L、肿瘤标志物指数>1、低分化、ⅠB期患者中更常见;Ki-67高表达患者的肿瘤长轴直径和短轴直径更大、肿瘤阴影消失率更低、多为实性结节,多表现为分叶数目≥3、毛刺征、空泡征、血管侵犯、血管集束、支气管血管束增厚、胸膜附着和周围纤维化(均P<0.05)。实体为主的肺腺癌Ki-67 LI最高,其次是微乳头状、乳头状和腺泡样为主的肺腺癌,贴壁生长为主的肺腺癌Ki-67 LI最低(P<0.001)。肿瘤阴影消失率与Ki-67 LI呈负相关(r=-0.601,P<0.001)。多因素逻辑回归分析显示,男性、低分化、更低肿瘤阴影消失率和实性结节与Ki-67高表达独立相关。 结论:Ki-67LI在肺腺癌不同组织学亚型和组织学级别中有明显差异。性别、组织学级别、肿瘤阴影消失率和肿瘤密度类型是与Ⅰ期肺腺癌患者Ki-67表达独立相关的因素。 第二部分 基于深度学习模型预测肺腺癌淋巴结转移的研究 目的:准确预测淋巴结转移在肺腺癌患者的个体化治疗方案制定中至关重要。本研究旨在构建并验证预测肺腺癌淋巴结转移的深度学习标签。 方法:回顾性纳入612例经手术病理证实的肺腺癌患者,随机划分为训练集(n=489)和内部验证集(n=123),另外纳入108例肺腺癌患者构成独立测试集(n=108)。收集患者的临床病理学资料,评估CT语义学特征。使用Swin Transformer网络结构构建预测肺腺癌淋巴结转移的深度学习标签。从患者术前增强CT图像中提取影像组学特征,排除不稳定特征及与淋巴结转移无关的特征后,采用多因素逻辑回归分析筛选剩余的影像组学特征,构建预测淋巴结转移的影像组学标签。采用多因素逻辑回归分析,构建基于临床特征和CT语义学特征的临床语义学模型。采用受试者工作曲线下面积(areaunderthereceiveroperatingcharacteristiccurve,AUC)、校准曲线和决策曲线分析评估模型的预测效能。采用DeLong检验比较不同模型的AUC。 结果:深度学习标签在训练集(0.961 vs 0.823,P<0.001)、内部验证集(0.948 vs 0.781,P<0.001)和独立测试集(0.960 vs 0.853,P=0.002)中的AUC均显著高于临床语义学模型。同样地,深度学习标签在训练集(0.961 vs 0.884,P<0.001)、内部验证集(0.948vs0.863,P=0.019)和独立测试集(0.960vs0.886,P=0.029)中的 AUC均显著高于影像组学标签。校准曲线显示,三个数据集中深度学习标签的预测概率与实际观测概率均具有良好的一致性。根据决策曲线分析,深度学习标签预测淋巴结转移获得的净收益高于临床语义学模型和影像组学标签。三个数据集中,深度学习标签和影像组学标签相较于临床语义学模型在预测淋巴结转移中具有增量价值。 结论:使用Swin Transformer构建的深度学习标签在预测肺腺癌淋巴结转移中具有良好效能,可为肺腺癌的无创性纵隔淋巴结分期提供重要的参考信息,辅助医师为患者制定精准的、个体化的治疗策略。 第三部分 基于临床影像组学列线图预测早期肺腺癌预后及辅助化疗疗效的研究 目的:构建临床影像组学列线图以预测淋巴结阴性早期(Ⅰ～Ⅱ期)肺腺癌的无病生存期,并探究临床影像组学列线图预测辅助化疗疗效的价值。 方法:回顾性纳入310例经手术病理证实的淋巴结阴性早期肺腺癌患者,将患者划分为训练集(n=186)和验证集(n=124)。从患者术前增强CT图像中提取影像组学特征。初步排除不稳定和冗余特征后,采用最小绝对收缩和选择算子-Cox回归分析,对剩余影像组学特征进一步筛选,建立预测无病生存期的影像组学标签。采用单因素

关键词： 外卖评论   文本情感分析   多主题分类   CNN   LSTM   CNN＿LSTM   集成学习   LDA主题模型   Word2Vec模型  

摘要： 互联网的快速发展促进了许多网络平台的诞生,人们即使相隔万里也能通过同一个网络平台表达自己的想法,由此在各平台上留下了海量的评论文本,从这些评论文本中我们可以挖掘出对自己有利用价值的信息来进行分析,比如从大众对热点事件的看法中挖掘出舆论走向,从网购商品的评论中挖掘出顾客的使用反馈,从影视剧作品的影评中挖掘出作品的内容和质量等。文本情感分析技术已在各个领域形成了以深度学习和机器学习为基础的相对成熟的研究体系,如何进一步提升情感分析模型的效果是目前文本分析领域的研究方向。互联网外卖平台作为与大众生活密不可分的网络平台,也是餐饮业扩大市场规模的重要途径,顾客的评论是外卖平台直接获取反馈信息的方式,作为餐饮行业最应该关注的就是顾客评论中体现的需求和欲望。顾客的评论信息是自己的体验反馈,也成为了口碑传播的重要方式,因此外卖平台亟需从顾客评论中来判断顾客的情感倾向,分析影响顾客评论情绪的主要方面,从而为商家、骑手和平台提出合理性建议。目前对于外卖平台顾客评论文本的情感分析研究较少,研究的范围和方法也较单一,主要是传统的机器学习方法如支持向量机、朴素贝叶斯等,还有模糊评价法,以及从现成的情感词典来判断情感极性等,已有的外卖评论情感分析的研究也主要集中在单一主题下的情感极性预测和不分主题下的情感极性预测这两个方面,而从外卖评论文本来看,不论是不分主题还是单一主题都是不完善的,因为一条评论会出现包含多个主题类别不同评价的情况,基于此,本文对外卖评论的多主题分类情感分析方法不再局限于不分主题和每条文本单一主题的研究思路,而是将顾客在线评论中所要表达的不同方面的情感极性逐一建立模型进行分析预测,最后经过概率的加权平均得到综合情感极性,不仅将信息进行更精细的提取,也给外卖的三大主要领域即商家、骑手、平台提供了更具体的评价结果。本文具体的研究工作主要包括以下几个内容: (1)基于卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)提出了将两者优点进行结合的CNN＿LSTM模型,该模型拥有卷积神经网络对特征提取的能力以及长短期记忆网络对长序列文本处理的能力,将百度外卖评论文本经过Word2Vec模型训练得到的词向量和词索引作为每个深度学习模型的输入,通过对比单一的CNN模型、LSTM模型与CNN＿LSTM模型的预测分类结果,得到CNN＿LSTM模型拥有更好的评论文本情感极性预测分类表现的结论。 (2)基于是否分主题进行外卖评论文本的情感极性预测,本文提出了多主题分类下的文本情感分析,通过LDA主题模型训练得到评论文本的主题概率分布,经过人工理解和主题归并得到商家菜品、平台服务和骑手配送三大主题,在每一个主题下进行CNN、LSTM、CNN＿LSTM三个深度学习模型的训练,得到评论文本在每一个主题下的情感极性,再经过概率加权平均得到综合的情感极性标签,将其与传统的不分主题下文本情感分析进行对比,得到了在多主题分类的方式下深度学习模型的情感极性预测效果都要优于不分主题下预测效果的结论,证明多主题分类的情感分析考虑了每条评论涵盖的所有主题,不仅保证了模型所利用的文本样本信息是全面的,也提高了情感分析预测过程的细致度和精确度。 (3)基于集成学习能够有效提升模型的泛化性能,本文提出将在传统机器学习中用来提升分类预测效果的集成学习Bagging方法运用到深度学习模型上,分别在不分主题和多主题分类下建立了基于Bagging的CNN模型、基于Bagging的LSTM模型和基于Bagging的CNN＿LSTM模型,通过在百度外卖评论文本上的实证分析获得了基于Bagging的集成学习能够进一步提升深度学习模型的泛化性能的结论。

关键词： 奥苏贝尔   有意义学习理论   初中语文   文言文字词教学  

摘要： 文言文是中国古代思想文化的重要载体,具有极大的文化价值和艺术价值,是中学语文教学的重要内容。文言文字词是文言文的重要组成部分,在文言文教学中处于基础性地位,注重文言文字词教学能为初中生文言文阅读能力的提升打下基础。在当前统编教材文言文篇数增多、义务教育语文核心素养提出的情况下,学生文言文阅读能力的培养变得更加重要,文言文字词教学更应受到重视。因此,本文以初中文言文字词教学为研究对象,尝试将奥苏贝尔有意义学习理论与初中文言文字词教学相结合,为初中文言文字词教学研究添砖加瓦。全文共分为五个部分:“绪论”部分主要说明研究的背景,综述奥苏贝尔有意义学习理论国内外发展历程及文言文字词教学研究现状,指出本文的研究意义、思路和方法,并对本文所涉及的概念进行界定。第一章概述奥苏贝尔有意义学习理论的基本内涵,说明奥苏贝尔有意义学习理论与初中文言文字词教学的适切性及有意义学习理论对文言文字词教学的指导意义。第二章主要通过对S市初中语文教师和初中学生的问卷调查及一线课堂观察揭示初中文言文字词教学的实际情况,发现初中文言文字词教学存在教学目标单一、教学内容琐碎、教师主导型课堂三方面问题。第三章针对文言文字词教学问题,结合奥苏贝尔有意义学习理论实施的既有经验和文言文字词教学的特点,提出初中文言文字词教学建议:首先,教师应立足核心素养,努力构建文言文字词教学目标系统,从整体到局部全面把握初中生文言文字词学习目标;其次,梳理初中文言文字词教学核心内容,根据教学目标分化整合初中文言文字词教学材料,并根据需要设计实施有助于意义学习的组织者为学生的认知活动提供观念支架;最后,在实际教学过程中要尊重学生学习的主体地位,关注学生学习的动机因素,帮助学生构建意义学习心向以提升文言文字词学习效率。“结语”部分,主要在于总结本文的基本观点及研究的亮点,反思研究中存在的不足并对初中文言文字词教学的未来做出展望。

关键词： 动脉粥样硬化   特征选择   机器学习   加权集成模型  

摘要： 随着人口老龄化和经济水平的快速发展及生活方式的改变,动脉粥样硬化发病率明显上升,为个人、家庭和社会带来沉重的负担。近几年,将机器学习算法应用于医学领域成为一种趋势,但大多数学者更倾向将机器学习算法应用于心血管疾病的预测,很少将机器学习算法应用于动脉粥样硬化的研究。因此,如何更加有效地将机器学习算法应用于动脉粥样硬化的预测是一个值得研究的问题。本文通过特征工程的方法筛选出与动脉粥样硬化相关的医学特征,并以这些特征为基础构建加权集成模型对动脉粥样硬化进行预测,从而能够辅助医生对动脉粥样硬化进行更有效的诊断。为了对个体是否患有动脉粥样硬化进行更加快速有效的判断,本文基于南京中医药大学附属医院的真实数据,结合机器学习算法,改进RF模型,提出一个新的预测模型,提高动脉粥样硬化预测的准确度。首先,本文对动脉粥样硬化的病理特征进行分析与筛选;使用方差分析和相关系数对病理特征进行分析,并初步筛选相关特征,利用随机森林模型进行特征的二次筛选。其次,本文建立加权集成模型,对动脉粥样硬化进行预测;基于bagging的思想对随机森林模型的基模型(决策树模型)进行替换,将其中的决策树模型换成XGboost、RF、ANN、KNN、SVM,根据基模型预测的错误率使用boosting的策略进行加权,建立加权集成模型。最后,本文使用10折交叉验证的方法对分类模型进行训练,并采用网格搜索的方法对模型的参数进行调优。本文选取了南京中医药大学附属医院的321条数据进行分析,发现年龄(Age)、体质指数(BMI)、左劲动脉收缩期结束时的脉搏波传导速度(LCCA-ES)、右劲动脉收缩期结束时的脉搏波传导速度(RCCA-ES)等16个特征对动脉粥样硬化的形成有重要影响。从分类结果来看,XGboost的准确率、灵敏度、特异性和AUC分别为0.85、0.79、0.89、0.84,RF的准确率、灵敏度、特异性和AUC分别为0.86、0.79、0.92、0.85,ANN的准确率、灵敏度、特异性和AUC分别为0.82、0.86、0.78、0.82,KNN的准确率、灵敏度、特异性和AUC分别为0.85、0.86、0.84、0.85,SVM的准确率、灵敏度、特异性和AUC分别为0.85、0.90、0.78、0.84,加权集成模型的准确率、灵敏度、特异性和AUC分别为0.91、0.93、0.89、0.91。整体来看,加权集成模型对动脉粥样硬化的预测能力最好。

关键词： 党史学习教育   强化宗旨意识   坚定理想信念   推进自我革命  

摘要： 推动党史学习教育常态化长效化意义重大，有助于广大党员干部进一步强化宗旨意识、有助于广大党员干部进一步坚定理想信念、有助于坚定不移推进党的伟大自我革命。常态化长效化开展党史学习教育，把党的百年奋斗重大成就和历史经验学习成果有效转化为推动中国特色社会主义建设的源源动力，在新的赶考之路上考出好成绩。

关键词： 关联表示学习   异质网络   图神经网络   节点分类   元路径  

摘要： 网络通常指规模更为庞大而复杂的图,网络中包括各类具有丰富的属性特征的实体以及实体间的关联关系,异质网络是网络的一种。异质网络实体关联表示学习的核心是将网络中的节点进行有效的向量化表示,方便进行各类后续任务。对异质网络实体关联表示学习进行研究,不仅有利于异质网络信息的理解和挖掘,同时有利于促进异质网络相关应用及动态异质网络的研究。基于图神经网络,针对现有模型进行了两方面改进和创新。不依赖于对网络进行同质化处理的方法大多只考虑到节点单独的异质性,难以进一步挖掘网络异质性,通过对异质网络中的边模式建模,可以同时考虑节点和边共同作用下的网络异质性,提出基于键值对注意力的图神经网络模型KAHN,可以对异质网络进行有效表示和处理;通过对现有解决问题的思路进行归纳分析,提出了组合式图神经网络框架CAN,通过组合不同的模型,可以同时对两类网络信息进行学习,增加了模型所能利用到的网络信息量。KAHN可作为CAN的实现模型,而CAN通过对异质性的进一步利用,能提高KAHN及同类模型的网络学习能力。通过在多个数据集下进行节点分类实验和分析,展示了 KAHN更好的分类效果,验证了 KAHN模型更好的表示学习能力,说明通过研究边模式下的异质性可以提高对网络信息的挖掘。组合基础模型构建的CAN相较基础模型具有更高的节点分类准确率,验证了 CAN框架对模型的性能提升效果,可见两类信息可以进行互补,同时说明元路径下的信息增强确实可以带来网络学习能力上的提升。