-
公开(公告)号：CN119357782A
公开(公告)日：2025-01-24
申请号：CN202411931333.6
申请日：2024-12-26
Applicant: 安徽大学
IPC: G06F18/241 , G06N3/042 , G06N3/0895 , G06F18/23213 , G06F18/10
Abstract: 本申请提出了一种基于多粒度图对比学习的节点分类方法及装置，涉及图对比学习技术领域，其中，该方法包括：多粒度空间构建模块和多粒度对比学习模块。多粒度空间构建模块结合节点属性更新邻接矩阵，并使用粗化的方式构造融合属性信息的粗粒度图，基于原图与粗粒度图构成层次化的多粒度空间结构，多粒度对比学习模块使用最粗粒度层对最粗粒度层的对比学习方法和最粗粒度层与更细粒度层的对比学习方法，得到优化的节点嵌入表示。基于图节点嵌入表示进行节点分类，得到分类结果。采用上述方案的本申请在保证图对比学习的性能的同时，有效减少了图对比学习的时间成本，提升了节点分类的效率。
-
公开(公告)号：CN115965033A
公开(公告)日：2023-04-14
申请号：CN202310253057.1
申请日：2023-03-16
Applicant: 安徽大学
IPC: G06F40/30 , G06F40/284 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本申请提出一种基于序列级前缀提示的生成式文本摘要方法和装置，该方法包括：获取文本和文本的参考摘要进行预处理；将经过预处理的文本输入第一预训练模型生成多条候选摘要，根据参考摘要使用Rouge指标对生成的候选摘要进行评估得到Rouge分值，并对多条候选摘要进行排序；对排序后的多条候选摘要进行预处理，根据经过预处理的文本、参考摘要和多条候选摘要利用多损失联合调优方式对摘要生成模型进行训练，得到具有序列级前缀提示的摘要生成模型；获取待处理文本进行预处理，并输入具有序列级前缀提示的摘要生成模型，通过序列级前缀提示以自回归方式生成待处理文本的摘要。本申请能够加快摘要生成模型训练过程并大大降低计算量，同时更准确生成摘要。
-
公开(公告)号：CN114037008A
公开(公告)日：2022-02-11
申请号：CN202111305905.6
申请日：2021-11-05
Applicant: 安徽大学
IPC: G06K9/62
Abstract: 本发明公开一种基于属性连边的多粒度属性网络嵌入的节点分类方法及系统，针对输入网络，构建结构网络，并选属性高相似的节点对，提出属性连边构建属性网络；调整网络结构及属性权重，将二者进行融合并将网络中的拓扑结构和节点属性信息进行划分得到粗化网络，重复划分过程得到一系列粗化属性网络，矩阵分解获取各粒度属性网络的初始节点低维向量表示，通过频谱传播优化初始表示，得到该粒度的节点特征表示；拼接各个粒度的节点特征表示并送入分类器完成节点分类。属性连边首先进行聚类，继而采用阈值进行处理，明显加快属性处理的速度，同时通过快速的划分得到粒化模型来缩小网络规模，并学习节点表示，进而总体上加快节点分类的速度。
-
公开(公告)号：CN111831758A
公开(公告)日：2020-10-27
申请号：CN202010850921.2
申请日：2020-08-21
Applicant: 安徽大学
Abstract: 本发明涉及一种基于快速的层次属性网络表示学习的节点分类方法及装置，包括以下步骤：S1、构建网络G0；S2、得到一系列网络规模逐渐减小的层次属性网络；S3、获取低维向量表示；S4、获取层次属性网络节点特征；S6、将层次属性网络节点特征和标签送入到分类器中，预测未知类别的节点的标签。本发明先构建网络G0，并网络G0中的拓扑结构和节点的属性信息进行划分得到网络G1，重复划分过程，得到一系列网络规模逐渐减小的层次属性网络，层次属性网络表示方法能够很好的保留网络结构和属性信息及不同粒度的信息，从而提高节点分类的性能。
-
公开(公告)号：CN110879859A
公开(公告)日：2020-03-13
申请号：CN201911160762.7
申请日：2019-11-23
Applicant: 安徽大学
IPC: G06F16/906 , G06K9/62 , G06N3/04
Abstract: 本发明提供了一种保存序列关联关系的属性网络表示学习方法，包括以下步骤：分别获取属性网络中各节点的节点信息，以及相应的属性信息和标签信息；使用随机游走算法得到节点序列，并将节点序列扩充为三元组序列集合；建立序列关联关系保存模型，将输入序列编码为属性序列表示向量，然后对应关系，通过解码器解码预测为新的节点序列和新的标签序列；构建以新的节点序列、标签序列和三元组序列集合为参数的目标函数，并对其进行优化，最终得到属性网络节点表示向量。该方法在网络表示学习时，有效保留了节点中的标签信息，提升了网络表示学习工作的向量质量，减轻了后续数据聚类分类、链接预测、数据可视化等应用工作的运算工作量。
-
Patent Agency Ranking
公开(公告)号：CN110851714A
公开(公告)日：2020-02-28
申请号：CN201911092222.X
申请日：2019-11-07
Applicant: 安徽大学
IPC: G06F16/9535 , G06F40/284
Abstract: 本发明提供了一种基于异构主题模型和词嵌入模型的文本推荐方法，包括以下步骤：对文本预处理获得分词结果和保留词列表并提取文本属性的步骤；通过迭代训练确定文本与主题对应关系的主题模型，得到文本特征表示的步骤；构建词嵌入模型，利用保留词训练得到词嵌入矩阵的步骤；基于文本特征表示和词嵌入矩阵计算文本嵌入向量，通过文本嵌入向量的余弦相似度确定推荐文本的步骤。本发明还提供了相关文本推荐系统。本发明提供的基于主题模型和词嵌入模型的相关文本推荐方法和系统的优点在于：兼顾了文本的多维度信息，能够基于上下文信息关联同义词区别多义词，提高了文本推荐的准确度。
-
公开(公告)号：CN110083696A
公开(公告)日：2019-08-02
申请号：CN201910326299.2
申请日：2019-04-23
Applicant: 安徽大学
IPC: G06F16/335 , G06F16/9535 , G06F17/27
Abstract: 本发明公开基于元结构技术的全局引文推荐方法，对原始数据集进行文章提取、词频统计、关键短语筛选数据清洗操作，得到文章并使用文章、文章的作者、出版商和术语信息构建文章库；通过文章库中文章以及文章的作者、出版商和术语，建立异构信息网络；使用三度影响力原则选取三度以内的元结构，并依据所选的元结构和基于元结构的相似度计算技术得到文章库中文章的相似度；提出方法为每个元结构加权来融合文章间基于不同元结构获得的不同的相似度；使用优化算法优化以求得使推荐效果最优的权重；为每篇文章根据最优权重下的相似度和年份生成推荐列表。本发明通过元结构将语义信息融入到文章的相似性计算中，增强了引文推荐的可解释性。
-
公开(公告)号：CN117972505A
公开(公告)日：2024-05-03
申请号：CN202311769505.X
申请日：2023-12-20
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
IPC: G06F18/241 , G06F18/23213 , G06N3/042 , G16H50/80
Abstract: 本发明公开了基于图自编码器的大规模属性网络社区发现方法及系统，方法包括：将大规模属性网络的节点和属性进行粗化，得到不同粒度的属性网络；将粒度最粗的属性网络输入一个两层的图卷积神经网络编码器中，得到特征矩阵F；基于不平衡分类损失、模块度损失、聚类损失构建图卷积神经网络编码器的总损失；更新图卷积神经网络编码器的权重矩阵，对其进行训练，直到总损失最小时停止训练，得到优化的图卷积神经网络编码器；利用优化的图卷积神经网络编码器输出的优化的特征矩阵F进行社区划分；本发明的优点在于：及时有效地识别出具有相似传播特性的节点社区，更有针对性地制定流感防控措施。
-
公开(公告)号：CN117556058A
公开(公告)日：2024-02-13
申请号：CN202410040729.5
申请日：2024-01-11
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
Abstract: 本申请提出了一种知识图谱增强网络嵌入的作者名称消歧方法和装置，涉及实体消歧技术领域，其中，该方法包括：获取作者名称消歧数据集；基于作者名称消歧数据集构建知识图谱，并利用PairRE模型得到知识图谱表征；基于作者名称消歧数据集构建异构信息网络，并基于知识图谱得到的节点嵌入指导异构信息网络进行随机漫步，得到节点表征；将知识图谱表征和节点表征融合，并对融合后的表征进行聚类，得到作者名称消歧结果。采用上述方案的本申请实现了作者名称的准确消歧。
-
公开(公告)号：CN116681101A
公开(公告)日：2023-09-01
申请号：CN202310432287.4
申请日：2023-04-18
Applicant: 安徽大学
Abstract: 本发明的一种基于层次结构的快速异质信息网络表示学习方法及设备，包括首先获取待挖掘的数据，进行数据清洗、处理和编码，并构建异质信息网络；然后基于网络中异质性和拓扑结构利用异质缩小网络模型迭代缩小网络，得到一系列规模从大到小的层次异质信息网络；接着学习规模最小的异质信息网络的节点表示，并使用该节点表示来训练异质细化模型；最后基于异质细化模型及层次网络之间的映射关系迭代细化网络，获得构建的异质信息网络的节点表示。本发明可以通过缩小规模技术对大规模异质信息网络进行缩小处理，进而减少表示问题的时间和空间复杂度以快速学习网络中的节点表示。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.021 seconds)
