-
公开(公告)号：CN110189167A
公开(公告)日：2019-08-30
申请号：CN201910417284.7
申请日：2019-05-20
Applicant: 华南理工大学
IPC: G06Q30/02
Abstract: 本发明公开了一种基于异构图嵌入的移动广告欺诈检测方法，包括步骤：1)获取移动广告日志数据并对数据进行预处理；2)提取用户、应用和广告三者关联关系数据，构建有权异构图；3)定义元路径，设定每个节点的游走次数和最长步长，遍历有权异构图节点，构建节点元路径随机游走序列；4)使用语言模型，构建有权异构图中节点的低维空间稠密向量表示；5)定义标签，构成被试数据；6)构建移动广告欺诈检测模型；7)将训练部分的移动应用被试数据输入至移动广告欺诈检测模型训练，得到移动广告欺诈检测模型；8)采用移动广告欺诈检测模型对移动应用进行欺诈检测。本发明利用移动广告系统中的实体关联关系，有效的检测出欺诈的移动应用。
-
公开(公告)号：CN110189167B
公开(公告)日：2021-06-08
申请号：CN201910417284.7
申请日：2019-05-20
Applicant: 华南理工大学
IPC: G06Q30/02
Abstract: 本发明公开了一种基于异构图嵌入的移动广告欺诈检测方法，包括步骤：1)获取移动广告日志数据并对数据进行预处理；2)提取用户、应用和广告三者关联关系数据，构建有权异构图；3)定义元路径，设定每个节点的游走次数和最长步长，遍历有权异构图节点，构建节点元路径随机游走序列；4)使用语言模型，构建有权异构图中节点的低维空间稠密向量表示；5)定义标签，构成被试数据；6)构建移动广告欺诈检测模型；7)将训练部分的移动应用被试数据输入至移动广告欺诈检测模型训练，得到移动广告欺诈检测模型；8)采用移动广告欺诈检测模型对移动应用进行欺诈检测。本发明利用移动广告系统中的实体关联关系，有效的检测出欺诈的移动应用。
-
Patent Agency Ranking
公开(公告)号：CN109787821A
公开(公告)日：2019-05-21
申请号：CN201910006654.8
申请日：2019-01-04
Applicant: 华南理工大学 , 中国移动通信集团广西有限公司
Abstract: 本发明公开了一种大规模移动客户流量消费智能预测方法，包括步骤：1)收集移动用户属性特征和消费行为数据，可视化，并进行预处理；2)构造分类预测器与回归预测器，进行训练，得到两个不同尺度的预测模型；3)联合分类预测器与回归预测器为可训练的线性组合，进行第二阶段训练，得到联合预测模型；4)使用联合预测模型，根据移动用户的属性特征和消费行为预测该用户下个月的流量消费值。本发明将分类预测器与回归预测器联合起来，在大规模移动用户数据上进行双阶段的训练，使所得到的联合流量预测模型具有更高的准确度和鲁棒性，从而为移动业务推广提供更精准有效的营销思路。
-
公开(公告)号：CN111966823A
公开(公告)日：2020-11-20
申请号：CN202010625468.5
申请日：2020-07-02
Applicant: 华南理工大学
IPC: G06F16/35 , G06F16/955 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种面向标签噪声的图节点分类方法，包括步骤：1)构建多个图卷积网络(GCN)模型；2)在图数据上估计联合分布、剪枝噪声数据，得到初次清理的数据并训练图卷积网络模型；3)在图数据上训练图卷积网络模型，与步骤2)的图卷积网络模型一起预测未标记节点，得到伪标签和预测概率矩阵，结合带标记节点的标签和预测概率矩阵，共同估计全数据联合分布、剪枝噪声数据；4)使用步骤3)中得到的二次清理的图数据训练图卷积网络模型，并预测节点类别。本发明在图卷积网络模型的基础上引入噪声联合分布估计和伪标签结合的标签噪声建模方法进行噪声鲁棒性训练，实现了具有更高准确性和噪声鲁棒性的节点分类方法。
-
公开(公告)号：CN110197729A
公开(公告)日：2019-09-03
申请号：CN201910417295.5
申请日：2019-05-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习的静息态fMRI数据分类方法和装置，包括：1)获取静息态fMRI试验数据，进行预处理并获取标签；2)对静息态fMRI数据进行大脑区域划分，提取功能连接特征和脑区综合特征；3)提取全脑体素点特征；4)提取个人属性特征；5)构建用于静息态fMRI数据分类的混合神经网络模型；6)将用于模型训练部分的数据进行处理，作为输入数据进行混合神经网络的训练，得到的参数用于静息态fMRI数据分类的混合神经网络模型；7)对静息态fMRI数据进行处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的混合神经网络模型中进行分类。本发明能保留各项特征的数据形式，综合考虑各项特征的信息，有效提高分类准确率。
-
公开(公告)号：CN111966823B
公开(公告)日：2022-04-22
申请号：CN202010625468.5
申请日：2020-07-02
Applicant: 华南理工大学
IPC: G06F16/35 , G06F16/955 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种面向标签噪声的图节点分类方法，包括步骤：1)构建多个图卷积网络(GCN)模型；2)在图数据上估计联合分布、剪枝噪声数据，得到初次清理的数据并训练图卷积网络模型；3)在图数据上训练图卷积网络模型，与步骤2)的图卷积网络模型一起预测未标记节点，得到伪标签和预测概率矩阵，结合带标记节点的标签和预测概率矩阵，共同估计全数据联合分布、剪枝噪声数据；4)使用步骤3)中得到的二次清理的图数据训练图卷积网络模型，并预测节点类别。本发明在图卷积网络模型的基础上引入噪声联合分布估计和伪标签结合的标签噪声建模方法进行噪声鲁棒性训练，实现了具有更高准确性和噪声鲁棒性的节点分类方法。
-
公开(公告)号：CN109787821B
公开(公告)日：2020-06-19
申请号：CN201910006654.8
申请日：2019-01-04
Applicant: 华南理工大学 , 中国移动通信集团广西有限公司
Abstract: 本发明公开了一种大规模移动客户流量消费智能预测方法，包括步骤：1)收集移动用户属性特征和消费行为数据，可视化，并进行预处理；2)构造分类预测器与回归预测器，进行训练，得到两个不同尺度的预测模型；3)联合分类预测器与回归预测器为可训练的线性组合，进行第二阶段训练，得到联合预测模型；4)使用联合预测模型，根据移动用户的属性特征和消费行为预测该用户下个月的流量消费值。本发明将分类预测器与回归预测器联合起来，在大规模移动用户数据上进行双阶段的训练，使所得到的联合流量预测模型具有更高的准确度和鲁棒性，从而为移动业务推广提供更精准有效的营销思路。
-
-
-
-
-
-
Search Results
7
records
(took 0.025 seconds)
