公开(公告)号：CN117978661A

公开(公告)日：2024-05-03

申请号：CN202410016328.6

申请日：2024-01-05

Applicant: 东北大学

Inventor： 陈东明 ,  杜天琦 ,  刘忠武 ,  聂铭硕 ,  王冬琦

IPC: H04L41/12 ,  H04L41/16 ,  H04L45/02 ,  G06F18/23213

Abstract: 本发明提供一种基于拒绝邻域的影响力最大化方法，涉及网络信息传播技术领域。首先提出了一种节点影响力评价指标，即基于局部邻居的节点影响力评价指标。该指标通过计算节点与邻居在欧式空间中的平均距离来解决现有中心性指标粗粒度的问题。在此基础上，结合节点聚类信息提出了基于拒绝邻域的影响力最大化算法，通过设置节点的σ阶拒绝邻域来控制节点的选择，得到影响力最大化的节点集合。本发明能够根据使用者提供的网络数据为使用者进一步的数据分析提供技术支撑，并进一步的完善了当前的影响力最大化方法。

公开(公告)号：CN115860064A

公开(公告)日：2023-03-28

申请号：CN202211546917.2

申请日：2022-12-05

Applicant: 东北大学

Inventor： 陈东明 ,  刘忠武 ,  张陛圣 ,  赵嘉欣 ,  聂铭硕 ,  王冬琦

IPC: G06N3/0464 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/044 ,  G06N3/082 ,  G06F18/2415 ,  G06N3/047

Abstract: 本发明提供一种基于演化图卷积的动态网络嵌入方法，涉及网络表示学习技术领域。本发明GCN学习层和演化层两个部分：首先是一个两层的GCN模型，用于学习节点的特征，随着时间的演化，节点可能会发生一些变化，原有的GCN模型参数不再适用演化后的网络。然后使用RNN和多头注意力机制对GCN模型的参数进行更新，获取最新的权重矩阵，用于下一个时间序列的训练。在这个过程中，随着时间推移，历史信息也被学习到了权重之中。最后将学习到的表示用于下游任务的应用中。