知识分子工作

摘要： 中国共产党历来重视知识分子工作。建党百年来,中国共产党根据不同时代任务给予知识分子不同定位,确立不同的知识分子工作主题,知识分子的角色定位经历了从“可造就之革命战士、不可或缺又亟需改造的力量、先进生产力开拓者”到“生产力的开拓者、文化的创造者、知识的传播者”的转变,知识分子工作主题也经历了从争取、团结培养、尊重到“聚天下英才而用之”的转变。回顾党的知识分子工作的百年历程,正确认识知识分子阶级属性、社会作用,尊重知识分子成长规律与工作规律,将系统性制度建设和针对性分类管理相结合,正确把握知识分子工作评价标准,是推进新时代知识分子工作的重要经验。

摘要： 葛兰西在深入分析意大利革命状况的基础上提出了有机知识分子理论,这一理论与传统知识分子理论截然不同。通过对有机知识分子的内涵界定、职能和特点的考察可以发现葛兰西的有机知识分子理论对新时代党的知识分子工作有重要的启示意义。具体来说,就是启示中国共产党在新时代必须做好知识分子工作,必须坚持党对知识分子的领导;把培养“有机”知识分子作为工作目标;与此同时,要加强党内知识分子与党外知识分子之间的联系。

摘要： 十八大以来,习近平根据新时代新形势新要求,围绕党的知识分子工作作出了一系列重要论述,其精神要义主要可概括为:把知识分子工作纳入民族复兴战略全局,赋予新的地位和作用;发展完善党的知识分子政策,发挥政策导向作用;科学研判知识分子群体新情况新特点,提出知识分子工作新要求;实行团结、引导、吸纳和服务的方针,改革创新知识分子工作体制机制.习近平关于党的知识分子工作的重要论述是习近平新时代中国特色社会主义思想的重要组成部分,是中国共产党知识分子思想的最新成果,为新时代进一步做好知识分子工作提供了重要遵循和行动指南.

摘要： 新中国成立后,聂荣臻坚持正确认识和发挥知识分子作用、坚持充分信任和大胆使用知识分子、坚持"红"与"专"相统一的知识分子评判标准,在实践创造和理论升华的过程中形成了肯定、欣赏、重视知识分子的理念,为党的知识分子工作作出了重大贡献.其对新时代的启示是:要在建立知识分子工作的法治保障、创设知识分子工作的信任空间、创新知识分子工作的方式方法等方面下功夫,激发知识分子建功立业的激情,助力全面建设社会主义现代化强国.

摘要： 十一届三中全会胜利召开后,党的知识分子工作得到了重新恢复和发展.主要表现在:第一,十一届三中全会的胜利召开为党的知识分子工作顺利开展提供了思想前提;第二,重新确定知识分子的阶级属性,为党的知识分子工作顺利开展提供了政治前提;第三,各项具体工作的展开使党的知识分子工作真正落到了实处.

摘要： 习近平关于知识分子工作的重要论述,深刻分析了新时代知识分子的新情况、新变化,科学回答了新时代"为什么要凝聚知识分子力量""怎样对待知识分子""如何凝聚知识分子力量"的问题,是新时代做好知识分子工作的思想指南.习近平关于知识分子工作的重要论述,体现了宽阔的国际视野、坚定的民族立场、卓越的战略思维、突出的问题意识,其实践路径就是要坚持党管知识分子,建设高素质知识分子队伍;加强思想政治工作,为实现"两个一百年"奋斗目标凝心聚力;提高知识分子待遇,创设有利于知识分子创新创造的社会环境.

摘要： 从1976年10月粉碎“四人帮”到1982年9月党的十二大召开,是我们党和国家各项工作的拨乱反正时期,也是改革开放和社会主义现代化建设的起步时期,因而被称为历史转折时期。这一时期,党对知识分子的认识和政策也发生了历史性变化,奠定了改革开放以来党的知识分子工作的理论和政策基础,开创了党的知识分子工作的新局面。

摘要： 前不久,教育部党组召开座谈会,传达学习习近平总书记关于知识分子工作重要讲话精神,研究部署贯彻落实工作。教育部党组书记、部长陈宝生主持会议并讲话。他强调,要更加深刻认识教育系统肩负的历史使命,下大力气创新知识分子工作体制机制,切实加强和改进教育系统知识分子工作。

摘要： 本发明公开了基于专家知识与拓扑相似的邻居优先生物分子子网搜索方法。其步骤如下：A、根据生物分子的序列特征，构建网络T（Gt）和B（GB）中生物分子的初始相似矩阵。B、根据生物分子在网络中的拓扑的相似特征，计算生物分子的相似矩阵S。C、构建专家知识字典。D、基于专家知识，以邻居优先策略进行搜索，获得结果子网。E、计算结果子网R（Gr）与目标子网T（Gt）的相似得分。F、计算p值。G、结果子网可视化。与同类方法相比，该方法计算准确度更高，具有更高的稳定性，能更好地处理生物分子网络间的“空隙”（Gap），获得更多的保守边和节点，且能较好地反映生物分子网络之间的变化情况。

摘要： 本发明公开的基于工作流引擎和知识引擎双驱动的知识推送方法，具体按照以下步骤实施：步骤1、根据企业的生产流程构建出企业生产业务流程图；步骤2、根据步骤1中构建的企业生产业务流程图进行企业知识地图框架的构建；步骤3、构建面向企业生产的知识主动推送系统；步骤4、利用步骤3构建的知识主动推送系统进行知识推送。本发明的基于工作流引擎和知识引擎双驱动的知识推送方法通过知识推送可加速知识的转移和利用，消除知识不对称现象。

摘要： 本发明属于图论学习、深度学习分析领域，具体涉及一种基于知识图谱的分子调控关系预测方法及系统，其中的预测方法包括以下步骤：(1)训练数据集的准备；(2)有向图模型的构建与训练；(3)神经网络的构建与训练；(4)实际预测。本发明通过对预测方法整体流程设计进行改进，首先结合图学习将有向图中的有向调控关系和各调控分子节点(即各调控分子实例)进行最优特征编码，接着在获得各节点与关系的特征编码后，利用深度神经网络框架进一步加强有向图的预测能力，经过迭代训练后提升有向调控的预测准确度。

摘要： 本发明公开一种纳米孔单分子感知信号知识表示学习方法，其为基于实例判别transformer的学习方法，其适用于机器学习和纳米孔单分子感知技术；本发明方法包括：构建基于transformer的纳米孔单分子感知信号知识表示学习神经网络模型；创建纳米孔单分子感知信号数据集并对信号数据进行合适的预处理；设置神经网络模型内各参数初始值，以最小化损失函数为目标训练模型实现针对纳米孔单分子感知信号的实例级判别；将待处理的感知信号输入到训练完成的模型输出信号对应的知识表示。本发明在编码器部分采用了transformer结构，实现了信号在知识表示空间内的稀疏分布，并且其直接从信号数据中挖掘模式信息，可适用于不同类型的下游信号分析任务，通用性和有效性强。

摘要： 本发明涉及药物表示学习领域，具体涉及一种结合领域知识的药物分子生成方法，包括利用构象搜索算法获得分子3D构象，从而获得分子空间信息，利用分子空间信息增强分子的初始表示；利用优化后的谱聚类算法以及优化后的CH聚类评价指标获取分子的分子划分结果；根据分子的增强表示和分子划分结果，利用图卷积神经网络对其编码获得其隐空间嵌入表示，即分别为全局图表示和局部子图表示；利用互信息最大化机制优化全局图表示和局部子图表示，得到富含空间信息和子结构信息的分子表示，并应用于下游分子生成任务；本发明有助于捕捉到分子的空间和结构信息，同时能更好地服务于基于深度学习的药物发现领域相关任务。

摘要： 本发明公开了一种基于化学元素知识图谱的分子图对比学习方法，包括：根据化学元素周期表中每个化学元素的所有化学属性，构建化学元素知识图谱；利用化学元素知识图谱对分子图进行图增强得到分子增强图；利用可插拔表示模型获得分子图和分子增强图的图表示；采用硬负样本挖掘技术选出与分子图在分子指纹空间相似的其他分子图作为负样本；将正样本对和负样本对的图表示映射到同一空间后，通过最大化正样本对之间的一致性同时最小化负样本对之间的一致性构建对比损失函数，利用对比损失函数进行优化学习；将参数确定的可插拔表示模型与非线性分类器形成预测模型，利用参数微调的预测模型进行分子图的分子性质的预测，以提升分子性质的预测准确性。

摘要： 本发明涉及一种融合分子结构特征的知识表示学习方法，属于知识图谱领域，将小分子结构特征与知识图谱三元组特征同时进行学习的方法，完成融合了小分子结构信息的知识表示学习过程，并最终形成隐含结构信息以及知识图谱关联信息的新型特征表示。它的成功将会明显提高生物医学领域知识图谱的相关应用的准确性。从而更好地服务于基于机器学习或深度学习的生物医学知识图谱中的药物挖掘的相关应用。

摘要： 本发明属于药物分子生成领域，具体涉及了一种基于领域知识和深度强化学习的药物分子生成器训练方法，旨在解决通过深度学习进行药物分子生成时的样本有限的问题。本发明包括利用领域知识构建活性药效团分子组群；利用动态策略下的课程式学习，将活性药效团分子组群中的药效团随机插入分子的生成过程中，生成具有特定目标的药效团结构分子；利用强化学习方法，最大化混合奖励函数，得到训练好的药物分子生成器。本发明解决了样本量过小的问题，防止过度的演示学习造成分子单一的问题，可以使生成的分子更快收敛到具有特定目标的药效团结构。

摘要： 本发明涉及小分子药物晶型技术领域，为一种小分子药物晶型知识图谱的构建方法及系统，包括：S1，爬取网络已公开的小分子药物的综合数据信息，并对源文件内容进行存储；S2，对所述源文件内容按照关键字归类并进行清洗，其中分子信息及晶体信息按照结构化数据的格式进行处理存放，其他信息按照非结构化数据的方式灵活存放；S3，构建实体数据层，根据所述实体数据层中的数据进一步构建用来存储实体间的关系及实体的属性的模式层。将小分子药物的晶型研究及制成过程中的概念充分发掘，并提供丰富晶型研究中相关实体的类别和属性信息，实现相似晶型的自动查询。对小分子新药的整体研发流程起到促进加速的重要作用。

摘要： 本发明公开了基于专家知识与拓扑相似的邻居优先生物分子子网搜索方法。其步骤如下：A、根据生物分子的序列特征，构建网络T（Gt）和B（GB）中生物分子的初始相似矩阵。B、根据生物分子在网络中的拓扑的相似特征，计算生物分子的相似矩阵S。C、构建专家知识字典。D、基于专家知识，以邻居优先策略进行搜索，获得结果子网。E、计算结果子网R（Gr）与目标子网T（Gt）的相似得分。F、计算p值。G、结果子网可视化。与同类方法相比，该方法计算准确度更高，具有更高的稳定性，能更好地处理生物分子网络间的“空隙”（Gap），获得更多的保守边和节点，且能较好地反映生物分子网络之间的变化情况。