-
公开(公告)号：CN109165743A
公开(公告)日：2019-01-08
申请号：CN201810786674.7
申请日：2018-07-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度压缩自编码器的半监督网络表示学习算法LSDNE(LabeledStructural Deep Network Embedding)，包含如下步骤：搭建模型，使用深度信念网络(DBN)对输入数据进行预训练，得到模型参数的初值，用网络的邻接矩阵以及拉普拉斯矩阵作为输入；使用深度压缩自编码器编码网络，获得节点的全局结构特征；使用拉普拉斯特征映射，获得节点的局部结构特征；使用SVM分类器对已知标签节点进行分类，对整个模型进行调优；使用Adam优化模型，获得节点的表示。本发明能够同时利用网络的结构信息以及节点的标签信息进行网络表示学习，并且使用了深度学习模型，使得节点的表示在标签分类任务上的表现优于目前已存在的算法。利用深度压缩自编码器能降低过拟合现象，使模型拥有更好的泛化性能。
-
公开(公告)号：CN104809210B
公开(公告)日：2017-12-26
申请号：CN201510209691.0
申请日：2015-04-28
Applicant: 东南大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于spark分布式计算框架下海量数据的top‑k查询优化方法，将海量数据集预先进行数据分割，主要采用的是类似网格的数据分割方法。将原始数据集划分为不同的子数据集，然后根据用户对数据对象的每个属性赋予的权重以及查询k值，选取少量合适的子数据集代替整个数据集进行查询。实验结果证明本文提出的方法查询速度较快，而且具有良好的可扩展性。与传统top‑k查询方法以及基于角度和距离数据分割方法进行对比，提高了查询速度，能够在短时间内及时反馈给用户需要查询的信息。
-
公开(公告)号：CN113764035B
公开(公告)日：2024-03-05
申请号：CN202111123982.X
申请日：2021-09-24
Applicant: 东南大学
Abstract: 本发明公开了一种基于知识图谱的中药复方靶标预测方法。依次包括以下步骤：步骤1：根据输入的复方靶标关系作用图和中药复方知识图谱，使用知识图谱嵌入技术得到实体和关系的嵌入表示；步骤2：根据步骤1得到的嵌入表示，使用基于图神经网络体系结构的关系路径感知聚合层对嵌入表示进行基于知识图谱关系的邻域聚合；步骤3：根据步骤2得到的复方和靶标的嵌入表示，使用协同过滤算法输出复方靶标预测的匹配分数。通过联合优化知识图谱嵌入和协同过滤模块，模型可以得到一个有效预测复方靶标关联的预测函数，该函数能够表示指定复方与靶标间产生关联的概率。
-
公开(公告)号：CN114121181A
公开(公告)日：2022-03-01
申请号：CN202111337127.9
申请日：2021-11-12
Applicant: 东南大学
Abstract: 本发明公开一种基于注意力机制的异构图神经网络中药靶标预测方法，依次包括以下步骤：步骤1.根据输入的中药靶标相关数据构建中药靶标异构图，并初始化各节点的特征向量；步骤2.对草药靶标异构图中的所有节点对进行提取，同时通过消息传递机制获得每个节点对的消息向量，将注意力向量和消息向量利用聚合机制聚合到相应的各个节点，再将节点的向量映射回其类型的特定分布，生成目标节点的特征表示；步骤3使用双线性层和两层全连接层对中药靶标对之间的相互作用关系进行预测。本发明通过提取中药靶标异构网络的拓扑结构和语义信息，生成能够充分表达中药和靶标丰富特征的向量表示，可以更有效地解决中药靶标预测问题。
-
公开(公告)号：CN113806559A
公开(公告)日：2021-12-17
申请号：CN202111122504.7
申请日：2021-09-24
Applicant: 东南大学
Abstract: 本发明公开了一种基于关系路径与双层注意力的知识图谱嵌入方法。依次包括以下步骤：步骤1：构建双层注意力编码器，在深度学习技术的基础上结合关系路径学习知识图谱嵌入；步骤2：根据步骤1得到的嵌入表示，引入生成对抗网络对学得的嵌入表示施加正则化约束。通过联合优化嵌入表示学习和对抗训练，模型可以得到一个更加鲁棒的嵌入表示，可以有效地提升下游任务的性能，例如链路预测等。
-
Patent Agency Ranking
公开(公告)号：CN112331275A
公开(公告)日：2021-02-05
申请号：CN202011169358.9
申请日：2020-10-28
Applicant: 东南大学
Abstract: 本发明公开一种基于记忆力网络与注意力的计算药物重定位方法，依次包括以下步骤：步骤1：利用药物‑疾病关联及额外辅助信息提取药物与疾病的隐特征；步骤2：根据步骤1计算得出的药物与疾病的隐特征生成药物偏好向量；步骤3：根据步骤2计算得出的药物偏好向量，结合记忆力网络生成邻域贡献表示部分；步骤4：利用非线性函数集成药物隐特征、疾病隐特征和邻域贡献表示以生成预测值。本发明通过将注意力机制和外部记忆单元结合生成邻域贡献表示，使其能够捕捉到少量药物‑疾病强关联所包含的邻域信，同时采用非线性函数将药物与疾病的隐特征和邻域贡献表示集成，使得本发明提出的模型能从药物‑疾病关联的整体视角去推断预测值。
-
公开(公告)号：CN106055674B
公开(公告)日：2019-05-31
申请号：CN201610393610.1
申请日：2016-06-03
Applicant: 东南大学
IPC: G06F16/2453
Abstract: 本发明公开一种分布式环境下基于度量空间的top‑k支配查询方法，依次包括以下步骤：步骤1：给定查询输入集合Q以及度量空间中的距离公式d()，距离公式用来衡量整个数据对象与查询对象Q之间的距离；步骤2：根据步骤1提出基于集合ANN和k‑skyband并行算法。通过在分布式环境下充分利用各个节点之间的并行计算的特点，通过剪枝、排序极大的改善了在大数据集环境下基于度量空间的top‑k支配查询性能，加快查询速度，为用户的决策提供服务。
-
公开(公告)号：CN114038499B
公开(公告)日：2024-11-19
申请号：CN202111346064.3
申请日：2021-11-12
Applicant: 东南大学
Abstract: 本发明公开一种基于异质网络嵌入的中药药方活性成分群预测方法，依次包含以下步骤：依次包括以下顺序执行的步骤：步骤1.从公开的数据库中搜集中药药方的分子和西药分子的靶标，通路，GO term信息，构建药物分子信息网络；基于构建的药物分子信息网络，按照西药分子和中药药方所能治疗的疾病的相关性，生成西药分子的标签。步骤2.通过异质网络嵌入学习方法分析步骤1得到的药物分子信息网络，得到中药药方分子和中药药方所治疗疾病的相关的西药分子的嵌入表示；步骤3.根据步骤2得到的嵌入表示，利用聚类算法分析中药分子和西药分子的嵌入表示，预测中药药方的活性成分群，本方法能够提高中药活性成分群筛选的效率及准确率，有助于中药药方的开发。
-
公开(公告)号：CN113806559B
公开(公告)日：2024-04-30
申请号：CN202111122504.7
申请日：2021-09-24
Applicant: 东南大学
IPC: G06F16/36 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0475 , G06N3/094 , G06F18/22 , G06N5/022
Abstract: 本发明公开了一种基于关系路径与双层注意力的知识图谱嵌入方法。依次包括以下步骤：步骤1：构建双层注意力编码器，在深度学习技术的基础上结合关系路径学习知识图谱嵌入；步骤2：根据步骤1得到的嵌入表示，引入生成对抗网络对学得的嵌入表示施加正则化约束。通过联合优化嵌入表示学习和对抗训练，模型可以得到一个更加鲁棒的嵌入表示，可以有效地提升下游任务的性能，例如链路预测等。
-
公开(公告)号：CN114038499A
公开(公告)日：2022-02-11
申请号：CN202111346064.3
申请日：2021-11-12
Applicant: 东南大学
Abstract: 本发明公开一种基于异质网络嵌入的中药药方活性成分群预测方法，依次包含以下步骤：依次包括以下顺序执行的步骤：步骤1.从公开的数据库中搜集中药药方的分子和西药分子的靶标，通路，GO term信息，构建药物分子信息网络；基于构建的药物分子信息网络，按照西药分子和中药药方所能治疗的疾病的相关性，生成西药分子的标签。步骤2.通过异质网络嵌入学习方法分析步骤1得到的药物分子信息网络，得到中药药方分子和中药药方所治疗疾病的相关的西药分子的嵌入表示；步骤3.根据步骤2得到的嵌入表示，利用聚类算法分析中药分子和西药分子的嵌入表示，预测中药药方的活性成分群，本方法能够提高中药活性成分群筛选的效率及准确率，有助于中药药方的开发。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.014 seconds)
