-
公开(公告)号：CN111931045B
公开(公告)日：2022-11-25
申请号：CN202010748668.X
申请日：2020-07-30
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06F40/30 , G06N20/00
Abstract: 本发明实施例提供了一种基于元学习的异质信息网络冷启动推荐方法及装置，其中方法包括：获取第一节点信息以及各第二节点信息，得到第一节点对应的第一特征向量和各第二节点各自对应的第一特征向量；将第一节点对应的第一特征向量和各第二节点各自对应的第一特征向量，分别输入预先训练好的元学习模型中，通过聚合上下文语义得到第一节点对应的第二特征向量和各第二节点各自对应的第二特征向量；计算第一节点对应的第二特征向量与各第二节点各自对应的第二特征向量之间的相似度；基于各相似度，确定向第一节点推荐的目标第二节点。本发明实施例，能够提高异质信息网络冷启动推荐结果的准确度。
-
-
-
公开(公告)号：CN112906873A
公开(公告)日：2021-06-04
申请号：CN202110330710.0
申请日：2021-03-26
Applicant: 北京邮电大学
Abstract: 本申请实施例提供的一种图神经网络训练方法、装置、电子设备及存储介质，应用于信息技术领域，通过提取样本异质图对应的不相关节点的负样本和不一致关系的负样本，结构层面的正样本和基于结构层面的正样本的负样本，然后根据提取到的样本对待训练的图神经网络进行训练，从而可以充分利用当前获得的样本，减少所需的样本图像的数量。
-
Patent Agency Ranking
公开(公告)号：CN112862093A
公开(公告)日：2021-05-28
申请号：CN202110125520.5
申请日：2021-01-29
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种图神经网络训练方法及装置，涉及深度学习领域。上述方法包括：获得未标记图数据集和第一标记图数据集；将未标记图数据集作为训练样本，通过对预设的图神经网络模型进行训练，调整图神经网络模型的参数，得到第一图神经网络模型；将第一标记图数据集作为训练样本，通过对所述第一图神经网络模型进行训练，调整第一图神经网络模型的参数，得到第二图神经网络模型；将图神经网络的待应用场景的第二标记图数据集作为训练样本，通过对第二图神经网络模型进行训练，调整第二图神经网络模型的参数，得到应用于待应用场景的图神经网络。应用本实施例提供的方案进行图神经网络训练时，提高了图神经网络训练的效率。
-
公开(公告)号：CN109800232B
公开(公告)日：2021-03-19
申请号：CN201910052260.6
申请日：2019-01-21
Applicant: 北京邮电大学
IPC: G06F16/22
Abstract: 本发明实施例提供了一种异质信息网络嵌入方法、装置、电子设备及存储介质，方法包括：确定节点关系元组对应的目标关系；针对隶属关系的各节点关系元组，将该节点关系元组中节点间连接关系的初始嵌入向量、该节点关系元组中各节点的初始嵌入向量，输入到预先确定的异质信息网络嵌入模型的隶属关系模型中；针对交互关系的各节点关系元组，将该节点关系元组中节点间连接关系的初始嵌入向量、该节点关系元组中各节点的初始嵌入向量，输入到预先确定的异质信息网络嵌入模型的交互关系模型中；在异质信息网络嵌入模型值最小时，分别输出待处理异质信息网络中各节点的目标嵌入向量。本发明实现了对异质信息网络中各节点进行针对性的网络嵌入分析。
-
公开(公告)号：CN109800232A
公开(公告)日：2019-05-24
申请号：CN201910052260.6
申请日：2019-01-21
Applicant: 北京邮电大学
IPC: G06F16/22
Abstract: 本发明实施例提供了一种异质信息网络嵌入方法、装置、电子设备及存储介质，方法包括：确定节点关系元组对应的目标关系；针对隶属关系的各节点关系元组，将该节点关系元组中节点间连接关系的初始嵌入向量、该节点关系元组中各节点的初始嵌入向量，输入到预先确定的异质信息网络嵌入模型的隶属关系模型中；针对交互关系的各节点关系元组，将该节点关系元组中节点间连接关系的初始嵌入向量、该节点关系元组中各节点的初始嵌入向量，输入到预先确定的异质信息网络嵌入模型的交互关系模型中；在异质信息网络嵌入模型值最小时，分别输出待处理异质信息网络中各节点的目标嵌入向量。本发明实现了对异质信息网络中各节点进行针对性的网络嵌入分析。
-
公开(公告)号：CN112862093B
公开(公告)日：2024-01-12
申请号：CN202110125520.5
申请日：2021-01-29
Applicant: 北京邮电大学
IPC: G06N3/082 , G06N3/063 , G06N3/0464
Abstract: 本发明实施例提供了一种图神经网络训练方法及装置，涉及深度学习领域。上述方法包括：获得未标记图数据集和第一标记图数据集；将未标记图数据集作为训练样本，通过对预设的图神经网络模型进行训练，调整图神经网络模型的参数，得到第一图神经网络模型；将第一标记图数据集作为训练样本，通过对所述第一图神经网络模型进行训练，调整第一图神经网络模型的参数，得到第二图神经网络模型；将图神经网络的待应用场景的第二标记图数据集作为训练样本，通过对第二图神经网络模型进行训练，调整第二图神经网络模型的参数，得到应用于待应用场景的图神经网络。应用本实施例提供的方案进行图神经网络训练时，提高了图神经网络训练的效率。
-
公开(公告)号：CN111931045A
公开(公告)日：2020-11-13
申请号：CN202010748668.X
申请日：2020-07-30
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06F40/30 , G06N20/00
Abstract: 本发明实施例提供了一种基于元学习的异质信息网络冷启动推荐方法及装置，其中方法包括：获取第一节点信息以及各第二节点信息，得到第一节点对应的第一特征向量和各第二节点各自对应的第一特征向量；将第一节点对应的第一特征向量和各第二节点各自对应的第一特征向量，分别输入预先训练好的元学习模型中，通过聚合上下文语义得到第一节点对应的第二特征向量和各第二节点各自对应的第二特征向量；计算第一节点对应的第二特征向量与各第二节点各自对应的第二特征向量之间的相似度；基于各相似度，确定向第一节点推荐的目标第二节点。本发明实施例，能够提高异质信息网络冷启动推荐结果的准确度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.027 seconds)
