-
公开(公告)号：CN117933341B
公开(公告)日：2024-07-23
申请号：CN202410319788.6
申请日：2024-03-20
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明提供一种基于同配性增强的图神经网络方法，涉及机器学习和深度学习技术领域。该方法具体包括：获取原始图的图数据，计算图数据中各节点的度并选取脆弱节点，选取需要删除边的节点，进而选定原始图中需要删除的边，构建增强后的同配图；训练条件变分自编码器，并利用训练好的条件变分自编码器生成增广特征矩阵，采用有监督损失函数计算预测结果；采用梯度下降更新训练好的条件变分自编码器中的生成参数，并开始迭代直至生成参数收敛为止，选择符合精度要求的增广特征矩阵，并利用级联的卷积层确定特征表示矩阵，再将其输入残差网络得到最终的预测结果，完成节点的分类；本发明通过增强图的同配性以提高图神经网络的鲁棒性和泛化能力。
-
公开(公告)号：CN114661927A
公开(公告)日：2022-06-24
申请号：CN202210382776.9
申请日：2022-04-13
Applicant: 东北大学
IPC: G06F16/535 , G06F16/55 , G06F16/58 , G06Q50/00
Abstract: 本发明提供一种基于社区检测的频繁子图挖掘方法，该方法通过获取待挖掘图数据，基于深度优先搜索算法，对子图进行并行计算，从待挖掘数据中挖掘出所有满足频繁阈值的子图集合。通过对预处理的图数据进行社区检测操作，在社区内将顶点按照顶点标签进行聚类，并从每个标签集合中抽取同比例的顶点个数，得到频繁子图挖掘的起始集合。根据起始集合展开子图扩展操作，每进行一轮扩展，将产生的候选子图进行剪枝，及时删除非频繁的子图，减少后续的无效扩展，大大提高了扩展和挖掘效率，同时在剪枝时高效进行同构检测操作，减少执行时间，进一步提高了子图挖掘效率。此外，本发明通过对比实验验证了本发明方法的高效性。
-
公开(公告)号：CN109753594A
公开(公告)日：2019-05-14
申请号：CN201910025968.2
申请日：2019-01-11
Applicant: 东北大学
IPC: G06F16/901 , G06F16/903
Abstract: 本发明涉及一种面向大规模时序图上的图模拟匹配方法，包括如下步骤：S1、将得到的时序图数据进行处理，转化为图方式存储；S2、在时序图G＝(V,E,L)上根据查询图Q＝(Vq,Eq,Lq,fe)进行图模拟匹配查询；得出最终模拟匹配查询结果。本发明方法实现了在时序图中进行图模拟匹配，弥补了目前时序图上图模拟匹配研究的匮乏，同时本方法所用的运行时间相较于将时序图转化为静态图然后进行图模拟的方法运行时间更短。
-
公开(公告)号：CN118509304A
公开(公告)日：2024-08-16
申请号：CN202410584137.X
申请日：2024-05-11
IPC: H04L41/0631 , H04L41/142 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/22 , G06F17/18 , G06F17/16
Abstract: 本发明公开了基于个性化PageRank和对比学习的属性网络异常节点检测方法，属于异常节点检测领域。提出基于PPR的自适应采样策略，根据属性网络中不同节点的中心性选择适配的子图规模并获得局部结构信息，以解决固定采样策略造成的上下文信息缺失或引入噪声进而导致降低检测准确度的问题。利用K最近邻算法单独从属性空间中寻找属性网络的节点最近邻居并获得全局属性信息，充分捕获节点的属性特征额外提供的异常信息。从局部结构和全局属性两个角度构建两个对比范式，并设计了直接针对异常节点检测的对比学习损失函数和异常值计算公式，既考虑子图蕴含的上下文信息与节点信息的一致性，还考虑了属性空间的一致性，提高了检测准确度。
-
公开(公告)号：CN119782292A
公开(公告)日：2025-04-08
申请号：CN202411695261.X
申请日：2024-11-25
Applicant: 东北大学
IPC: G06F16/215 , G06F16/28 , G06N3/042 , G06F16/36 , G06N20/20 , G06F16/25 , G06F18/24 , G06F18/22 , G06Q50/26
Abstract: 本发明提供一种基于人工智能的数据分析方法，包括：将收集的多来源数据进行整合、清洗后存储到关系型数据库，设计基于实体‑关系的数据模型来构建节点和关系，并将其存储到关系型数据库；通过社区发现算法、图神经网络和量化分析对知识图谱进行分析计算，以捕捉知识图谱的复杂特征和潜在异常情况；通过集成算法对社区发现算法、图神经网络和量化分析的三种结果进行拟合，以多方加权投票的方式生成最终的可疑分数判定。本发明从成千上万甚至几十万条数据中抽取疑似问题线索，为案件查办提供可能的线索方向，让问题发现变得更及时，让监督变得更精准高效，提高办案效率。
-
Patent Agency Ranking
公开(公告)号：CN115687797A
公开(公告)日：2023-02-03
申请号：CN202211388571.8
申请日：2022-11-08
Applicant: 东北大学
IPC: G06F16/9536 , G06F16/9537 , G06Q50/00
Abstract: 本发明设计一种时空社交网络中用户联动行为模式检测方法；对于一个给定的时空社交网络和一个查询时间段，处理联动行为模式检测时，根据用户的签到行为，选取在T时段内的活跃用户集合及相对应的被访问即签到兴趣点集合ST，该兴趣点集合为该时段内联动行为模式的活动地点；对于给定的空间距离r，在兴趣点ST中进行范围查询，查找在空间层距离小于等于r的兴趣点对；从中选择访问过该兴趣点对的用户，形成联动行为模式候选；验证这些用户之间的社交相关性，得出最终检测的用户联动行为模式；从时空社交网络的视角出发检测联动行为模式，充分结合了社交拓扑结构和用户在地理空间层的行为活动(签到)，丰富并拓展了计算机数据管理领域的查询处理体系。
-
公开(公告)号：CN117933341A
公开(公告)日：2024-04-26
申请号：CN202410319788.6
申请日：2024-03-20
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明提供一种基于同配性增强的图神经网络方法，涉及机器学习和深度学习技术领域。该方法具体包括：获取原始图的图数据，计算图数据中各节点的度并选取脆弱节点，选取需要删除边的节点，进而选定原始图中需要删除的边，构建增强后的同配图；训练条件变分自编码器，并利用训练好的条件变分自编码器生成增广特征矩阵，采用有监督损失函数计算预测结果；采用梯度下降更新训练好的条件变分自编码器中的生成参数，并开始迭代直至生成参数收敛为止，选择符合精度要求的增广特征矩阵，并利用级联的卷积层确定特征表示矩阵，再将其输入残差网络得到最终的预测结果，完成节点的分类；本发明通过增强图的同配性以提高图神经网络的鲁棒性和泛化能力。
-
公开(公告)号：CN119623748A
公开(公告)日：2025-03-14
申请号：CN202411763647.X
申请日：2024-12-03
Applicant: 东北大学
IPC: G06Q10/04 , G06Q10/0631 , G06Q10/083 , G06N3/126
Abstract: 本申请揭示了一种物资供应方法及系统，其中，方法包括：获取场景参数，并生成初始种群；计算初始种群的第一适应值；对初始种群进行预处理处理，得到第一种群，计算第一种群的第二适应值；将初始种群和第一种群合并，得到第二种群，对第二种群进行筛选，得到第三种群；对第三种群的可行解进行邻域搜索，得到第四种群，并计算第四种群的第三适应值；将第三种群和第四种群合并，得到第五种群，并对第五种群进行筛选，得到第六种群，并计算第六种群的第四适应值；获取当前迭代次数，若小于预设迭代次数，则重复上述步骤，直至当前迭代次数等于预设迭代次数；在上述所有适应值中选择最小值，并获取与最小值对应的pareto前沿数据，进而得到目标供应方案。
-
公开(公告)号：CN109740024A
公开(公告)日：2019-05-10
申请号：CN201910014844.4
申请日：2019-01-08
Applicant: 东北大学
IPC: G06F16/901 , G06Q50/00
Abstract: 本发明涉及一种面向大规模时序图影响力最大化问题的解决方法，其采用时序图GT(V,E,TE)来表示将社交网络各个节点的数据抽象为时序图，对节点间的传播概率进行初始化，使其适用于时序图的ICT传播模型，在ICT传播模型的基础上对各个节点进行影响力的计算，依据在步骤3中计算的各个节点的影响力集合解决时序图影响力最大化问题，即寻找大小为k的种子节点集合。采用本方法解决时序图影响力最大化问题，可以快速且高效的解决时序图影响力最大化问题。
-
公开(公告)号：CN109684520A
公开(公告)日：2019-04-26
申请号：CN201910012983.3
申请日：2019-01-07
Applicant: 东北大学
IPC: G06F16/901
Abstract: 本发明涉及一种大规模时序图顶点相似度计算方法，其包括如下步骤:S1、将社交网络各个顶点的数据抽象为时序图；S2、通过随机游走方法和路径融合方法建立树形索引，使用Bootstrap抽样方法估计索引树中每层节点时间差的期望，使用Monte Coral方法计算目标顶点与其他顶点的相似度；S3、根据步骤S2计算出的目标顶点与其他顶点相似度，找出与目标定点最相似的k个顶点。本发明的技术方法，使顶点相似度计算的更加准确，用于推荐系统中能够更加精确的对用户进行推荐。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.015 seconds)
