异质性

2019 Journal of Web Semantics_Linking and disambiguating entities across heterogeneous RDF graphs笔记整理 一、 论文整理思路流程 1.1 论文的相关研究工作 CBD（Concise Bounded Descriptions ）简洁有界描述 面对数据相关参数（如选择哪一个属性作为标记）时减少人工识别的困难 根据大量语义实例和现实实例的对数据异质性的分类 提出了基于CBD的实例分析框架，用于在匹配阶段对数据来源进行表示和比较 一种新策略，用于自动识别移除两个数据集之间的“问题”属性（不适合作为标签的属性） 对于大量开源基准的多方面经过检验的衡量标准（基准的衡量标准） 有简易交互界面的本文提出的系统的开源实例 首先提出了数据异质性的分类:根据先前的研究，本文专注于两个数据集之间对于某一信息描述的不同从而发现形式上（属性还是类别）值上和结构上的异质性。本文尤其关注且使用高度异质化的现实经典音乐数据集和大量IM@OAEI产生的合成基准。 1.2 论文主要解决的问题 1.3 论文解决问题的过程 1) 数据值维度的异质性：术语异质性（由于词语的同义性、不同词语的多义性产生，也包括少量的单词拼写错误）、语言异质性（不同语言互相翻译造成的）、数据属性和对象属性异质性

论文解读：（TranSparse）Knowledge Graph Completion with Adaptive Sparse Transfer Matrix   先前的基于深度学习的知识表示模型TransE、TransH、TransR（CTransR）和TransD模型均一步步的改进了知识表示的方法，在完善知识图谱补全工作上逐渐提高效果。通过先前的模型，我们基本掌握了知识表示的学习方法：首先通过投影策略将实体和关系映射到对应的语义空间，其次均使用得分函数 f ( h , t ) = ∣ ∣ h + r − t ∣ ∣ f(h,t)=||h+r-t|| f ( h , t ) = ∣ ∣ h + r − t ∣ ∣ 表示实体对的评分。另外使用负采样生成错误样本进行训练，使得正确的样本得分函数值降低，错误样本的得分函数值升高。然而这些模型均忽略了图谱的两个重要特性： 异质性（heterogeneity） 和 不平衡性（imbalance） 。图谱中的异质性是指不同关系对应的实体对数量不一致，例如对于关系 r r r 链接的所有实体对数量可能非常多，而对于 r ′ r' r ′ 链接的所有实体对数量可能只有1个。不平衡性是指头尾实体的数量不一致，例如形如对于（地名，local，洲名）的三元组，地名可能成千上万个，而洲名只有七个。由于数量的不对等

《百度百科》： 在遗传学中，基因型决定表型。但表型相同的个体，可能具有不同的基因型，即一种性状可以由多个不同的基因控制。这种现象称为遗传异质性(gentic heterogeneity)。 在肿瘤研究中，genetic heterogeneity指的是：在癌组织里，每个细胞的基因组都是不一样的。这个细胞中可能是基因abcd突变，那个细胞中可能是bdfg突变，它们有共同突变的序列，也有不同的突变，而这种不同的突变，也会造成每个细胞会具有些许不同的性质。 肿瘤异质性是指同一种恶性肿瘤在不同患者个体间或者同一患者体内不同部位肿瘤细胞间从基因型到表型上存在的差异。这种差异发生在不同个体中可表现出不同的 遗传 背 景如染色体量与质的差异，不同细胞病例类型、不同临床阶段不同分化程度细胞演进的多样性，同质肿瘤在分子水平也存在显著差异：比如基因表达谱、网络调控、 突变谱等方面的不同。发生在同一肿瘤患者体内可表现出不同部位肿瘤细胞间的突变基因谱和生物学特性等方面的不一致，体现了恶性 肿瘤 在演进过程中的高度复杂性和多样性。 由于肿瘤组织内部存在不同亚型的肿瘤细胞，因此不同肿瘤细胞表现出免疫特性、生长速度、侵袭能力等表型方面的差异，最终导致对不同抗 肿瘤 药物的敏感性不同或放疗敏感性的差异。 参考文献： http://news.bioon.com/article/6707045.html