公开(公告)号：CN116467452A

公开(公告)日：2023-07-21

申请号：CN202310461067.4

申请日：2023-04-26

Applicant: 东北大学

Inventor： 任涛 ,  刘玲君 ,  陈爽 ,  赵嘉欣

IPC: G06F16/35 ,  G06Q30/015 ,  G06F18/24 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/084

Abstract: 本发明提供一种基于多任务学习混合神经网络的中文投诉分类方法，涉及文本分类技术领域。本发明首先使用知识集成增强表示模型(ERNIE)对诉求文本进行预训练，然后利用CNN和BiLSTM混合神经网络代替单一神经网络，弥补单一神经网络的不足，增强模型竞争优势，再将多任务学习方式与深度学习模型相结合，多个任务间共享学习信息，以便更迅速地到达优化目标，从而提高学习性能。

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。

公开(公告)号：CN116128670A

公开(公告)日：2023-05-16

申请号：CN202211661230.3

申请日：2022-12-23

Applicant: 东北大学

Inventor： 陈东明 ,  赵嘉欣 ,  杜盼盼 ,  甘倩倩 ,  聂铭硕 ,  王冬琦

IPC: G06Q50/00 ,  G06N3/0464 ,  G06N3/096 ,  G06F18/22 ,  G06F18/23

Abstract: 本发明提供一种基于特征迁移的社交网络嵌入方法，涉及动态社交网络嵌入技术领域。该方法首先对社交网络等间隔取快照，从而得到离散的图快照序列，然后使用图卷积神经网络对快照进行表示；再针对动态社交网络演化过程中的节点、连边可能出现的不同情况，制定不同的迁移策略以及图快照之间特征迁移的迁移权重；最后针对动态社交网络演化过程中的节点、连边可能出现的不同情况，计算节点在不同情形下对应的节点表征；该方法在学习节点嵌入的过程中考虑了邻居结构之间的相似性，前一时刻图快照的节点表征作为下一时刻的图快照的节点表征，使得模型能够稳定的学习社交网络中的网络演化信息。

公开(公告)号：CN116306834A

公开(公告)日：2023-06-23

申请号：CN202310289221.4

申请日：2023-03-23

Applicant: 东北大学

Inventor： 陈东明 ,  沈樾 ,  赵嘉欣 ,  王冬琦

IPC: G06N3/048 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08 ,  G06Q10/04

Abstract: 本发明提供一种基于全局路径感知图神经网络模型的链路预测方法，涉及复杂网络中链路预测技术领域。本发明结合了属性信息和结构信息，解决了GNN仅仅依赖于平滑的节点特征，忽略图的结构特征问题，同时解决了浅层Embedding学习无法结合节点自身属性的问题。使用欧氏距离度量连边节点间的相似度，很好的将潜在属性信息融合到结构信息提取中。使用结构表示生成器为节点进行结构初始化，解决了启发式方法的局限性。使用了基于路径感知的聚合方案，对短的路径赋予较大权重，对长的路径赋予较小的权重，改善了链路预测任务存在的简并现象，灵活计算目标节点对之间所有路径信息的得分。

公开(公告)号：CN116089950A

公开(公告)日：2023-05-09

申请号：CN202310128425.X

申请日：2023-02-17

Applicant: 东北大学

Inventor： 陈东明 ,  吕泽宇 ,  赵嘉欣 ,  聂铭硕 ,  王冬琦

IPC: G06F21/56 ,  G06F21/73 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明提供一种基于逆向工程的后门攻击防御方法，涉及网络表示学习技术领域。该方法主要针对图神经网络的后门攻击方法进行防御。该方法通过使用干净的图数据集训练生成特征生成器和连边生成器，恢复出后门攻击者生成的触发器；并利用恢复的触发器，重新生成后门攻击对应的数据，并通过重新生成的数据对受到后门攻击的图神经网络重新进行训练。经过该方法重新训练的图神经网络，其能抵御后门攻击，并且在干净数据集上的性能基本不受到影响。

公开(公告)号：CN115828988A

公开(公告)日：2023-03-21

申请号：CN202211546741.0

申请日：2022-12-05

Applicant: 东北大学

Inventor： 陈东明 ,  王振 ,  陈欣 ,  赵嘉欣 ,  聂铭硕 ,  王冬琦

IPC: G06N3/042 ,  G06N3/045 ,  G06N3/0895

Abstract: 本发明提供一种基于自监督的异构图表示学习方法，涉及图神经网络技术领域。本发明应用到了两种学习节点表示的方法：基于元路径的方法以及基于自注意力的方法，将两个方法融合，在一定程度上吸取了两种方法的优势，既学习局部节点信息也关注高阶的语义的结构信息。且通过使互相关矩阵接近恒等矩阵作为目标函数，这使得本方法不需要负样本来维持模型的鲁棒性，而是在节点嵌入中利用对比学习的思想，在节点向量维度中进行对比学习，使互相关矩阵的对角线接近1，其他向量接近于0。这吸取了降低冗余的思想，保证了两个视角的互相关性。且让不同维度的特征尽可能表示不同的信息，从而提升特征的表征能力。