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：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。

公开(公告)号：CN113051440A

公开(公告)日：2021-06-29

申请号：CN202110389061.1

申请日：2021-04-12

Applicant: 北京理工大学

Inventor： 龙水彬 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: G06F16/901 ,  G06F16/9536 ,  G06Q50/00

Abstract: 本发明涉及一种基于超图结构的链路预测方法，所述预测方法包括如下步骤：获取待预测网络的原始超图；将所述原始超图转换为二分图；基于变分自编码器预测所述二分图中的节点间存在边的概率，构建类邻接矩阵；基于所述类邻接矩阵还原出包含链路预测结果的预测超图。本发明根据超图和二分图的一一对应关系，首先将超图转换为二分图，然后基于变分自编码器预测所述二分图中的链路，最后将该预测结果还原至超图上，该方式在无需将超图转化成一边只关联两个节点的普通图的基础上，实现了对超图中的链路的预测，进而实现了具有时序超图结构的社交网络中的链路预测。

公开(公告)号：CN112862015A

公开(公告)日：2021-05-28

申请号：CN202110356414.8

申请日：2021-04-01

Applicant: 北京理工大学

Inventor： 赵英伏 ,  李荣华 ,  秦宏超 ,  王国仁 ,  金福生

IPC: G06K9/62 ,  G06F16/35 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于超图神经网络的论文分类方法及系统。该方法包括：获取向量数据X＝[x1,x2,…,x|v|]；其中，向量数据为目标论文的特征向量，|v|为目标论文作者的数量，x1,x2,x|v|表示目标论文的不同作者；将向量数据输入经训练的超图神经网络模型，得到分类结果，分类结果表示目标论文的类别；其中，超图神经网络模型包括依次连接的若干超图卷积‑池化网络模块和分类模块，超图卷积‑池化网络模块包括超图卷积层和与超图卷积层的输出连接的池化层；超图神经网络模型的训练样本为特征向量样本，标签为论文样本的类别，特征向量样本为由论文样本的作者构成的向量数据。本发明提高了论文分类的效率，同时保障了准确度。

公开(公告)号：CN115242679A

公开(公告)日：2022-10-25

申请号：CN202210912314.3

申请日：2022-07-30

Applicant: 北京理工大学

Inventor： 鲁多 ,  李荣华 ,  秦宏超 ,  王国仁 ,  高玉金 ,  金福生

IPC: H04L43/0817 ,  H04L41/14 ,  G06N3/08 ,  G06N3/04 ,  G06K9/62

Abstract: 本发明公开了一种通信网络中节点宕机的检测方法，步骤如下：S1、准备数据，根据通信逻辑链路进行建图，节点为服务器，边为逻辑通信链路，确定时间段begin‑time和end‑time，在该时间段内有通信的节点之间添加对应的边；S2、组合模型，将需要集成的模型进行组合，获得新的模型，使用GCN和graphsage模型进行集成，组合成集成模型；S3、进行模型训练，对于步骤S2获得的集成模型进行训练，学习模型中的参数通过计算loss，计算得到loss后，进行反向传播，更新模块中的参数；S4、预测阶段。本发明采用上述的一种通信网络中节点宕机的检测方法，能更好的适应复杂的数据，能有效的提高节点分类的准确性。

公开(公告)号：CN115238808A

公开(公告)日：2022-10-25

申请号：CN202210912334.0

申请日：2022-07-30

Applicant: 北京理工大学

Inventor： 鲁多 ,  李荣华 ,  秦宏超 ,  王国仁 ,  高玉金 ,  金福生

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06F11/22

Abstract: 本发明公开了一种基于多任务的通信网络中节点宕机的检测方法，步骤如下：S1、准备数据，根据通信逻辑链路进行建图；给定一个图G，该图G是通信网络，图G中的节点是服务器，边为逻辑通信链路，确定时间段begin‑time、end‑time，在该时间段内有通信的节点之间添加对应的边；S2、进行模型训练；利用GNN骨干网络进行训练，GCN输出是服务器节点的向量表示embedding，其中模型的参数是可学习的，调优方式通过计算loss并进行反向传播；S3、进行预测；将步骤S2获得的训练后GCN模型，输入待预测的节点的特征和整个网络的拓扑结构。本发明采用上述的一种基于多任务的通信网络中节点宕机的检测方法，明显的缓解数据不足的问题，提高节点分类的准确性。

公开(公告)号：CN113065321B

公开(公告)日：2022-09-13

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：CN114168863A

公开(公告)日：2022-03-11

申请号：CN202111528752.1

申请日：2021-12-14

Applicant: 北京理工大学

Inventor： 易晗 ,  李荣华 ,  高玉金 ,  秦宏超 ,  王国仁 ,  金福生

IPC: G06F16/9536 ,  G06Q50/00

Abstract: 本发明公开了一种基于k‑truss的面向超图的社区发现方法，具体步骤如下：S1、首先输入超图HG＝(V，Eh)、S、r，计算超图中所有超边的support；S2、初始化超图的极大k‑truss下界low＝0，上界up＝0，当Size(|H|)>S时，进行以下操作；S3、计算当前超图中的三角形个数T＝所有超边的support之和/3，令low＝max(low，最小的超边support，T/超边总数)，令up＝max(up，最小的超边support，r*(T/超边总数))；S4、将所有support小于上界up的超边从超图H中删除，得到一个新的超图H。本发明采用上述的一种基于k‑truss的面向超图的社区发现方法，在超图上实现了k‑truss分解和极大k‑truss的挖掘，大幅减少了不必要的计算内容，消除了传统算法的冗余计算过程，实现了对于超图的社区发现。

公开(公告)号：CN113127756A

公开(公告)日：2021-07-16

申请号：CN202110520761.X

申请日：2021-05-13

Applicant: 北京理工大学

Inventor： 潘敏佳 ,  李荣华 ,  王国仁 ,  金福生 ,  秦宏超

IPC: G06F16/9536 ,  G06F16/26

Abstract: 本发明公开了一种基于k核的公平社区挖掘方法，包括如下步骤：S1：核分解，寻找colorful‑(k‑1)‑核；S2：公平团枚举，对核分解后产生的节点属性图，采用枚举方法寻找k‑公平团；S3：输出结果集合，输出的所有k‑公平团即为公平社区。本发明采用上述结构的基于k核的公平社区挖掘方法，解决了在社区挖掘中，属性图中极大团节点属性的不均衡问题，提高了搜索效率。

公开(公告)号：CN113076448A

公开(公告)日：2021-07-06

申请号：CN202110467204.6

申请日：2021-04-28

Applicant: 北京理工大学

Inventor： 陈久健 ,  李荣华 ,  王国仁 ,  金福生 ,  秦宏超

IPC: G06F16/901 ,  G06F16/903 ,  G06F16/2453 ,  G06F16/2458

Abstract: 本发明公开了一种基于极大团与强连通分量的社区发现方法，适用于有向网络中底图是团且顶点间连边满足强连通的社区结构，通过预处理、分步枚举、结果判重三大步骤，最终得到所有顶点数量不小于给定阈值的极大有向团社区。本发明采用上述社区发现方法，在大规模图数据处理中，减少枚举的冗余计算量，实现了并行化计算，效率较高。