-
公开(公告)号：CN118840123A
公开(公告)日：2024-10-25
申请号：CN202310472240.0
申请日：2023-04-23
Applicant: 腾讯科技(深圳)有限公司 , 中国科学院计算技术研究所
IPC: G06Q30/018 , G06Q40/04 , G06F18/25 , G06F18/243 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本申请提供了一种信息验证方法、设备、装置及计算机可读存储介质；方法包括：获取待验证信息和训练好的信息验证模型，待验证信息包括至少两个待验证对象标识和信息内容，不同的待验证对象标识对应有不同的角色信息；从构建好的对象图数据中确定出待处理对象图数据；将待处理对象图数据在训练好的信息验证模型中进行传播学习，得到各个待验证对象标识对应的对象表示向量；基于信息内容确定信息属性向量，将各个对象表示向量和所述信息属性向量进行拼接处理，得到信息初始表示向量；利用训练好的信息层图神经网络模型对信息初始表示向量进行预测处理，得到验证结果。通过本申请，能够提高信息验证的效率和准确率。
-
公开(公告)号：CN117273073A
公开(公告)日：2023-12-22
申请号：CN202211061838.2
申请日：2022-08-31
Applicant: 腾讯科技(深圳)有限公司 , 中国科学院计算技术研究所
IPC: G06N3/0464 , G06N3/049 , G06N3/084 , G06N3/0895 , G06N3/094
Abstract: 本发明实施例公开了基于网络表示的训练方法、系统及存储介质和终端设备，应用于信息处理技术领域。基于网络表示的训练系统会将动态网络表示模型分为两个部分，即稳定特征模块和动态特征模块，从而通过多个时刻的样本网络来分别调整稳定特征模块和动态特征模块，从而通过稳定特征模块获取动态网络中各节点的稳定特征，通过动态特征模块获取动态网络中各节点的动态特征。训练的动态网络表示模型中的稳定特征模块和动态特征模块，针对性地对动态网络的各个节点中基于时序不变的特征与基于时序可变的特征进行分离表示，以面对不同的下游任务时可采用不同的侧重方，比如预测节点随时间不变的性质时可以采用稳定特征模块获取的稳定特征等。
-
公开(公告)号：CN114418060A
公开(公告)日：2022-04-29
申请号：CN202111588857.6
申请日：2021-12-23
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种基于图表示学习的身份保持对抗训练方法、装置、介质，所述方法包括：获取训练场景的图数据，定义图数据的每一个节点为用于表征训练场景的一个原样本，定义原样本的样本身份信息；生成每一个原样本对应的对抗样本；通过为对抗样本添加身份保持约束，将对抗样本保持原样本的样本身份信息；将对抗样本作为第一输入变量，输入至初始图表示学习模型，执行身份保持对抗训练；更新初始图表示学习模型，得到目标图表示学习模型，利用目标图表示学习模型预测训练场景中所述原样本在不同图挖掘任务下的输出。该方法将对抗样本与原样本保持相同的样本身份信息，提升了图表示学习在图结构数据分析中的精度，具有一定的普适性。
-
公开(公告)号：CN113128587A
公开(公告)日：2021-07-16
申请号：CN202110413687.1
申请日：2021-04-16
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于位置学习图卷积神经网络的图分类方法和系统，本发明目的是解决上述现有图分类方法启发式地对图中节点进行排序、选择的过程导致重要结构丢失和提取不到启发式规则下的关键结构等问题。具体来说，本发明提出了一种基于位置学习卷积神经网络的图分类方法，核心思想是通过为图上每个节点学习对应的位置，进而得到整个图的表示。这种端到端的建模方式有效避免了对节点进行排序、选择和丢弃的过程，不仅提升了图分类的准确率，而且保证了对关键结构的有效提取。
-
-
-
Search Results
4
records
(took 0.037 seconds)
