公开(公告)号：CN113065321A

公开(公告)日：2021-07-02

申请号：CN202110420046.9

申请日：2021-04-19

Applicant: 北京理工大学

Inventor： 龙水彬 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: G06F40/166 ,  G06F16/901 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于LSTM模型和超图的用户行为预测方法及系统，涉及多人编辑协作技术领域，包括根据多个用户以及用户的交互关系构建用户协作超图；用户协作超图中的节点表示用户，超边表示在协作关系中与超边关联的多个用户的信息编辑交互行为；基于用户协作超图中每个节点的局部邻域信息，构建多个D邻域展开树；D邻域展开树表示为根节点经过不超过D条超边可达的节点子图；根据获取的当前阶段用户协作行为数据以及当前阶段用户协作行为数据关联的D邻域展开树，基于序列学习器，预测在协作关系中下一阶段用户编辑行为是否被接受。本发明能够达到预测多个用户行为的目的。

公开(公告)号：CN113033691A

公开(公告)日：2021-06-25

申请号：CN202110378057.5

申请日：2021-04-08

Applicant: 北京理工大学

Inventor： 陈子健 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: G06K9/62

Abstract: 本发明公开了一种基于超图超边匹配的分子网络分类方法及系统。包括：获取多个分子网络的超图；超图包括有标签超图和无标签超图；对有标签超图和无标签超图进行超边扩展，得到有标签图和无标签图；通过图遍历的方法对有标签图和无标签图中每个结点生成深度子树；得到有标签子树集合和无标签子树集合；采用超边采样方法进行多次采样，得到多个有标签匹配边集和多个无标签匹配边集；根据有标签子树集合、无标签子树集合、多个有标签匹配边集和多个无标签匹配边集，计算有标签超图和无标签超图之间的相似度；根据有标签超图和无标签超图之间的相似度对无标签超图进行分类。本发明使用超图比较方法更容易对分子网络进行比较，从而对分子网络进行分类。

公开(公告)号：CN112948712A

公开(公告)日：2021-06-11

申请号：CN202110326914.7

申请日：2021-03-26

Applicant: 北京理工大学

Inventor： 任泽槟 ,  李荣华 ,  王国仁 ,  秦宏超 ,  金福生

IPC: G06F16/9536 ,  G06F16/901

Abstract: 本发明公开了一种可重叠的社群发现方法，步骤如下：S1分布式计算图G中的所有极大团，统计极大团的数量信息并将极大团的数量信息发送到所有计算节点中；S2对所有的极大团进行排序和编码，给每个极大团分配唯一的编码确定极大团；S3计算极大团中的子团，将子团发送到不同计算节点中；S4在每个计算节点内，构建反向索引；S5对每个极大团，利用反向索引，计算与每个极大团与其同一个计算节点内有k‑1个共享顶点的极大团，使用并查集将极大团的I D保存在同一个集合中；S6合并不同集群中的并查集，求出相应的派系。采用上述结构的一种可重叠的社群发现方法，增加了系统对大图的处理能力，横向扩展更加容易且成本更低。

公开(公告)号：CN110891083B

公开(公告)日：2020-12-04

申请号：CN201911070906.X

申请日：2019-11-05

Applicant: 北京理工大学 ,  东北大学

Inventor： 王子萌 ,  王国仁 ,  赵宇海 ,  郑军 ,  李荣华

IPC: H04L29/08

Abstract: 本发明提供的一种Gaia中支持多作业并行执行的代理方法，在在群的每个节点中Gaia系统内均构建Netty客户端；在主节点上Gaia系统内基于Netty的代理框架构建一个代理端；可以实现在作业收集的过程中，多个客户端与代理端进行独立通信，解决了因物理机不同导致Gaia作业无法互通提交的问题；代理端在接收到作业之后，通过一定的执行多作业的Slot资源分配策略取待合并的作业，对作业合并后再进行执行，该方法使得当前Slot数量能够被最大程度地利用，执行最多的执行计划计划，增大一次作业执行的吞吐量。

公开(公告)号：CN118429713A

公开(公告)日：2024-08-02

申请号：CN202410580885.0

申请日：2024-05-11

Applicant: 北京理工大学

Inventor： 金福生 ,  唐永翔 ,  袁野 ,  李荣华 ,  王国仁

IPC: G06V10/764 ,  G06N3/0985 ,  G06V10/774 ,  G06V10/82 ,  G06N3/084 ,  G06N3/0464

Abstract: 本发明公开了一种可解释图像分类方法及系统，涉及图像分类技术领域，具体步骤为：获取待分类的图像数据；将所述待分类的图像数据输入可解释图像分类模型，获得所属类别的类别标签；所述可解释图像分类模型由基于第一损失函数进行两类迭代训练的分类模型和基于具有超参数的第二损失函数进行两类迭代训练的空间注意力网络构成；将所述类别标签进行输出。本发明能够较明显提高图像分类任务的准确率；且有较好的可解释性，仅使用模型本身的输出即可分析其分类依据。

公开(公告)号：CN118250231A

公开(公告)日：2024-06-25

申请号：CN202410393484.4

申请日：2024-04-02

Applicant: 北京理工大学

Inventor： 胡仲则 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: H04L47/2441 ,  H04L47/2483 ,  H04L41/16 ,  G06N3/042 ,  G06N3/0985 ,  G06F18/24 ,  G06F18/214

Abstract: 本发明公开了一种用于网络流量分类的轻量化图结构数据构造方法，属于网络流量分类领域，包括以下步骤：步骤1、处理原始网络流量，对原始网络流量中的会话进行重构，将原始网络流量中杂乱的数据转换为规整的会话形式的网络流量；步骤2、将生成的会话形式的网络流量，进行图结构信息构建和样本属性生成；图结构信息构建是提取会话形式的网络流量中的通联关系信息，基于一定的策略将用户信息映射为图上的节点，将用户之间的通联关系映射为图上的边，利用节点和边构造出基础的图结构信息；样本属性生成是提取会话中的数据包，以特定的规则构造成高质低维的样本属性；步骤3、将构建好的图结构信息与样本属性结合，获得轻量化的图结构数据样本。

公开(公告)号：CN118214723A

公开(公告)日：2024-06-18

申请号：CN202410387167.1

申请日：2024-04-01

Applicant: 北京理工大学

Inventor： 胡仲则 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: H04L47/2441 ,  G06F18/241 ,  G06F18/214 ,  G06F18/213 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于图对比学习的复杂网络流量分类方法，属于网络流量分类技术领域，包括以下步骤：步骤一、将原始网络流量转换为图结构数据；步骤二、通过数据增强算法，以特定的规则将输入的图结构数据转换为增强图一、增强图二；步骤三、将两张增强图分别送入共享参数的GNN编码器中，提取数据特征，得到特征一、特征二；步骤四、通过最大化特征一、特征二之间互信息的方法，更新GNN编码器的模型参数，重复此步骤完成模型训练；步骤五、模型训练完成后，利用GNN编码器提取网络流量的数据特征，将提取到的网络流量的数据特征送入分类器，实现流量分类；步骤六、通过设计稳定性指标计算分类结果的实际效果，衡量网络流量分类算法抗干扰性能。

公开(公告)号：CN118194911A

公开(公告)日：2024-06-14

申请号：CN202410434742.9

申请日：2024-04-11

Applicant: 北京理工大学

Inventor： 胡旭阳 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: G06N3/042 ,  G06N3/0464 ,  G06N3/084 ,  G06N5/022 ,  G06N3/082 ,  G06N5/04

Abstract: 本发明公开了一种基于知识蒸馏与模型量化的知识图谱压缩方法，属于知识图谱压缩领域，包括以下步骤：S1、利用基于1位的二值化神经网络嵌入表示框架对KGE模型的每层网络前的网络权重和嵌入表示进行二值化操作，获得KGE二值化模型；S2、优化KGE二值初始化模型；S3、利用知识蒸馏训练优化后的KGE二值初始化模型；S4、利用KGE二值化模型对输入的知识图谱进行压缩。本发明采用上述基于知识蒸馏与模型量化的知识图谱压缩方法，实现了在资源有限的设备上部署高精度的二值化模型，提高了异构图表示领域的二值化模型性能，可集成到现有的基于深度神经网络的KGE模型中，可同时保持应用场景下的实际应用的高性能和可扩展性。

公开(公告)号：CN111382316B

公开(公告)日：2023-09-26

申请号：CN202010151472.2

申请日：2020-03-06

Applicant: 北京理工大学

Inventor： 李荣华 ,  代强强 ,  王国仁 ,  金福生

IPC: G06F16/901 ,  G06F16/90

Abstract: 本发明公开了一种基于位图近似的h‑跳距离核分解方法，可用于许多大数据处理相关的应用，例如社交网络分析，合作网络分析及web网络分析等。本发明提出了基于位图近似的h‑跳距离核分解方法，来提高大图处理的效率，该方法不仅使内存消耗还是时间消耗均得到了极大的改善，尤其是在时间效率上能够提升一到两个数量至多。该方法基于位图的存储技术来提高算法的时间和空间效率，而且精确算法在处理大图数据也相当困难的同时，本发明实施例在保证一定准确度的同时，大幅度提升算法的计算效率，以更高效率处理大数据。

公开(公告)号：CN116542369A

公开(公告)日：2023-08-04

申请号：CN202310433997.9

申请日：2023-04-21

Applicant: 北京理工大学

Inventor： 卢茜君 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: G06Q10/04 ,  G06Q30/018 ,  G06Q40/06 ,  G06F16/901 ,  G06F17/16 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及金融违约预测技术领域，且公开了一种基于超图对比学习的金融违约风险预测方法，包括以下步骤：步骤1，获取发债企业的基本数据、是否违约情况和发债企业之间的关联关系；步骤2，生成企业初始特征矩阵和负样本特征矩阵，构建超图，根据超图点边关联矩阵得到超图拉普拉斯矩阵；步骤3，应用超图卷积网络，得到企业表征矩阵和负样本表征矩阵；步骤4，生成全图表征向量，基于对比损失和分类损失进行联合训练，完成对企业违约风险的预测。本发明采用上述基于超图对比学习的金融违约风险预测方法，能够减少信息的丢失，提高金融违约风险的预测效果。