公开(公告)号：CN110825775B

公开(公告)日：2022-02-15

申请号：CN201911067510.X

申请日：2019-11-04

Applicant: 北京理工大学 ,  东北大学

Inventor： 赵恒泰 ,  王国仁 ,  赵宇海 ,  郑军 ,  李荣华

IPC: G06F16/2455 ,  G06F16/25

Abstract: 本发明公开了一种Gaia系统中支持流数据与批数据交互的数据交换系统，实现了在Gaia的低纬度算子级的流数据与批数据连接，并且可实现对指定数据库的定向支持。为达到上述目的，该系统包括操作符模块、核心算子模块、批数据定义模块、缓存模块以及外部数据接口模块。该系统中其中批数据定义模块、缓存模块、核心算子模块可以分别从辅助工具模块中获取自己需要的工具类；核心算子模块通过调用批数据定义模块获取连接相关信息，并调用外部数据接口模块从不同数据源中获取批数据，调用缓存模块对数据进行缓存操作。操作符模块对核心算子模块和批数据定义模块进行了外部封装，使得Gaia系统可以进行统一调用。

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：CN111291232A

公开(公告)日：2020-06-16

申请号：CN202010152887.1

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 ,  G06Q50/00

Abstract: 本发明公开了一种基于h-跳距离的图核分解方法，包括获取待分解的大数据原图G，计算原图G中每个节点的h-跳邻居数据；遍历整个原图G中找到h-跳邻居最小的值并将此值赋值为k，将所有h-跳邻居数为k的节点放入一个队列中Q中；依次从Q中选择节点v，并将其从G中和Q中删除；当删除一个节点v后，更新在节点v的h-跳邻居 中所有节点的h-跳邻居数；迭代删除h-跳邻居最少的节点，直到所有节点删除完。与现有技术相比，该方法不需要重复计算节点的h-跳邻居，计算效率更高，而且算法设计简单容易实现。

公开(公告)号：CN110891083A

公开(公告)日：2020-03-17

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：CN118245976A

公开(公告)日：2024-06-25

申请号：CN202410393485.9

申请日：2024-04-02

Applicant: 北京理工大学

Inventor： 马泽航 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: G06F18/26 ,  G06F18/20 ,  G06F18/2431 ,  G06F16/2458 ,  G06Q50/00 ,  G06F123/02

Abstract: 本发明公开了一种多标签网络上的时序周期社群挖掘方法，属于数据挖掘技术领域，包括以下步骤：首先将时序图中的节点和边按时间戳统计周期，按周期对节点进行拆点，将拆开的点根据原图上的连接关系以及周期匹配情况重新建边，形成新的标签图G；其次在图G上进行带标签的社区挖掘算法，根据不同的标签节点所构成的子图，分别进行k‑核挖掘算法，得到带有不同标签的若干k‑核，根据蝴蝶计数判断是否满足阈值，若满足则合并不同标签的k‑核；然后社群优化；最后重复上述两步合并优化操作，最后形成一个多标签的周期社群。本发明提供了一种多标签网络上的时序周期社群挖掘方法，保证了结果子网络的密集程度且通过周期社群可以更好的描述图特征。

公开(公告)号：CN116720547A

公开(公告)日：2023-09-08

申请号：CN202310357741.4

申请日：2023-04-06

Applicant: 北京理工大学

Inventor： 尚楠 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: G06N3/045 ,  G06N3/088

Abstract: 本发明公开了一种基于知识蒸馏的图对比学习方法，包括以下步骤：步骤1，数据准备：准备合适的图数据集；步骤2，基于图对比学习进行教师模型的设计及其预训练：步骤21，数据增强；步骤22，生成正负样例对；步骤23，计算模型损失；步骤24，重复步骤21‑23降低模型计算损失；步骤3，定义并设计轻量化学生模型；步骤4，进行离线知识蒸馏；步骤5，在测试样本集上进行测试，调整相关参数使模型达到最佳效果。本发明采用上述基于知识蒸馏的图对比学习方法，重点解决了模型复杂程度过高导致的计算时间长、响应变慢的问题，同时极大的降低了图表示学习中对于数据量的依赖。

公开(公告)号：CN116708577A

公开(公告)日：2023-09-05

申请号：CN202310829897.8

申请日：2023-07-07

Applicant: 北京理工大学

Inventor： 崔冬航 ,  李荣华 ,  秦宏超 ,  王国仁

IPC: H04L67/60 ,  H04L67/00 ,  G06N3/092 ,  G06F9/445

Abstract: 本发明公开了一种智能产线管控云边端体系资源协同方法，属于云边端技术领域，通过结合经济模型和优化方法，使得边缘服务器和终端设备之间合作良好，具体内容如下：(1)智能产线管控云边端体系的资源定价和交易模型，利用经济原理和资金定价的方式来动态量化边缘服务器的资源；(2)基于多臂老虎机强化学习方法的终端周期性任务卸载方法，利用强化学习来优化周期性任务卸载所需的资源配置；(3)基于Stackelberg博弈的资源协同方法，以系统整体的利益最大化为目标，来达到优化系统整体资源利用率的目的，本发明采用上述方法，针对智能产线管控的云边端系统，使得终端设备卸载的任务能在规定的运行时间内最小化运行成本。

公开(公告)号：CN116248472A

公开(公告)日：2023-06-09

申请号：CN202211675019.7

申请日：2022-12-26

Applicant: 北京理工大学

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

IPC: H04L41/06 ,  H04L41/142 ,  H04L41/147 ,  H04L41/0631 ,  H04L9/40 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了基于神经霍克斯过程的云边端系统故障预测方法，将故障时间和故障类型分别以向量进行表示，然后通过向量求和得到故障的初始表示；基于图神经网络对故障的初始表示进行处理，将故障类型之间的相互影响关系附加于故障向量上，从而得到最终的故障向量表示；基于霍克斯过程建立故障预测模型，并通过数据驱动的方法对模型参数优化；最后，基于霍克斯故障预测模型对图神经网络输出的故障向量表示进行预测。本发明采用上述方法，准确建模故障类型之间相互影响关系，故障表示更加丰富和准确，对未来云边端系统中故障预测更加准确。

公开(公告)号：CN115242680A

公开(公告)日：2022-10-25

申请号：CN202210912335.5

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 ,  H04L41/147 ,  H04L41/0677 ,  G06N3/08 ,  G06N3/04 ,  G06K9/62

Abstract: 本发明公开了一种通信网络中基于多阶段训练的图神经网络的节点分类方法，步骤如下：S1、根据通信逻辑链路进行建图G，其中节点为服务器，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、对获得的图G进行补边，将高阶信息补充到原图G上，得到新图G2；S3、在步骤S2获得的图G2上进行节点分类，得到节点宕机的概率。本发明采用上述的一种通信网络中基于多阶段训练的图神经网络的节点分类方法，使得最终学到的节点向量表示更加丰富和准确，提高分类的准确率，从而快速的得到宕机的位置。