公开(公告)号：CN113989544A

公开(公告)日：2022-01-28

申请号：CN202111153366.9

申请日：2021-09-29

Applicant: 中国计量大学

Inventor： 汪晓锋 ,  赵本香 ,  沈国栋 ,  王栽胜 ,  张增杰 ,  全大英

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/774 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公共了一种基于深度图卷积网络的群体发现方法，用于解决现有方法对属性网络中的群体结构识别率低的问题。它具体包括：获取属性网络用户交互行为数据；通过对属性网络数据进行预处理以建模属性网络拓扑并确定少量节点标签；利用标签传播算法对现有的节点标签进行预训练以扩展标签集合；通过构建深度图卷积模型同时对结构信息和节点属性进行深度融合并自动识别完整的群体结构。采用本发明的技术方案，有利于挖掘大规模属性网络中群体特征，同时有效提高群体识别的准确性。

公开(公告)号：CN115310589A

公开(公告)日：2022-11-08

申请号：CN202210813089.8

申请日：2022-07-12

Applicant: 中国计量大学

Inventor： 汪晓锋 ,  王栽胜 ,  沈国栋 ,  张增杰 ,  全大英

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明公开了一种基于深度图自监督学习的群体识别方法及系统，用于解决现有方法在网络群体结构识别中高度依赖先验标签以及准确率低的问题。其具体包括：获取属性网络用户交互行为数据并进行网络建模；通过自监督学习模块将少量带有标签的节点语义信息与未知节点的伪标签进行语义对齐；通过恒等映射和初始残差来加深网络以降低深度图卷积模型面临的过度平滑影响；最后利用深度图自监督模型充分学习属性网络结构来提高群体识别准确率。采用本发明的技术方案，有利于降低网络群体发现所需要的人工标签成本，同时有效提高群体识别的准确性。