-
公开(公告)号：CN113674045A
公开(公告)日：2021-11-19
申请号：CN202110401328.4
申请日：2021-04-14
Applicant: 南京财经大学
IPC: G06Q30/06 , G06F16/903 , G06F17/11 , G06F17/16
Abstract: 本发明公开一种基于区间分割的电商水军识别方法，步骤是：使用Z‑score对初始数据进行标准化；计算出每个商品正确的评分区间，在该区间内的评分被认为是合理的，反之不合理；计算出各个用户评分的准确率和极差；计算出用户的各个评分到对应商品正确评分区间的距离和，并结合用户评分的准确率和极差，计算出来用户的信誉。最后，选择前N个低信誉用户作为水军。我们在三个数据集(MoiveLens、Netflix和Amazon)上测试了该方法，结果表明该方法在计算用户信誉和识别水军方面表现良好，具有较高的准确性和鲁棒性，且可扩展性强。
-
公开(公告)号：CN114677459B
公开(公告)日：2025-03-21
申请号：CN202210338891.6
申请日：2022-04-01
Applicant: 南京财经大学
Abstract: 本发明公开了一种基于图文法的逻辑型图形生成方法，包括以下步骤：制定规则，包括构建用于生成与分析相关抽象点边图的一组cCGG产生式，以及针对具体图形生成需求设定一组形状规则；基于制定的产生式生成点边图；基于点边图使用形状规则绘制图形。本发明对坐标图文法CGG的一个子框架——连续坐标图文法cCGG(continuousCoordinate Graph Grammar)进行改进，使图文法不仅可以生成符合相应文法约束的点边图，还可以从点边图出发生成相应的可视化图形，并且可使用产生式对生成图形的非可视化部分即抽象点边图进行语法结构上的分析，提供了一种支持双向工作流的逻辑性图形生成方法。
-
公开(公告)号：CN117333239A
公开(公告)日：2024-01-02
申请号：CN202311050997.7
申请日：2023-08-21
Applicant: 南京财经大学
IPC: G06Q30/0282 , G06Q30/0601 , G06N3/047 , G06N3/084 , G06N3/0895
Abstract: 本发明公开一种基于自适应多频谱滤波的图神经网络电商异常检测方法，获取用户评论内容特征和用户评论行为特征；将对同一商品构造用户‑评论图结构；基于伯恩斯坦多项式分别学习得到图的低通和高通滤波器，得到图中节点的低频和高频信号表示；基于固定的带通滤波器，得到图中节点的带通信号表示；使用注意力机制，融合得到的低通、带通、和高通信号，通过注意力损失函数，为每个节点自适应的学习出不同频率信号占该节点最终节点表示的比重；使用softmax层计算最终的节点表示，得到图神经网络模型的预测结果，并根据损失函数，计算节点的分类损失，更新模型参数。本发明缓解了以往的方法会导致的过平滑问题，提升了对电商交易网络中异常节点的识别率。
-
公开(公告)号：CN116187306A
公开(公告)日：2023-05-30
申请号：CN202310185499.7
申请日：2023-03-01
Applicant: 南京财经大学
IPC: G06F40/253 , G06F16/901
Abstract: 本发明公开了一种基于图文法的图模糊语法结构处理方法。本发明针对图文法的图模糊结构处理机制进行改进，为点边图中的每条边定义连接概率。在产生式中，连接概率描述了一条边在主图中出现的可能性，并基于连接概率对边进行分类，在模糊结构和确定性结构的描述之间建立了桥梁并为文法操作提供了容错性。为了进一步增加文法的灵活性以适应更多实际应用场景，为每个文法配备了一个阈值，连接概率高于该阈值的边为有益边，低于阈值的边为有害边，并且在文法应用中将连接概率和阈值的差值用于计算图柄的匹配权值，为图柄的选择问题提供了较好的理论依据。与其他方法相比，本发明解决了它们在图模糊语法结构上的问题。
-
公开(公告)号：CN111242647B
公开(公告)日：2021-04-13
申请号：CN202010063701.5
申请日：2020-01-20
Applicant: 南京财经大学
IPC: G06Q30/00
Abstract: 本发明公开一种基于电商评论识别恶意用户的方法，步骤是：步骤1，构建三元组用于存储评分数据；步骤2，初始化所有用户的信誉；步骤3，计算各商品在各个评分下的带权群组大小；步骤4，计算不同商品中各群组的占比矩阵；步骤5，将占比矩阵映射到行和列分别对应用户和商品的矩阵中；步骤6，计算各用户所在群组占比的平均值和标准差，并计算用户评分的标准差；步骤7，根据步骤6得到的数据计算用户信誉；步骤8，基于步骤7得到的用户信誉，重复步骤3‑7，然后计算两次用户信誉的差值，若大于阈值则继续迭代，直至小于或等于阈值；步骤9，将信誉最低的L个用户当作恶意用户。此种方法可提高筛选恶意用户的精确度，增大识别过程计算的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN113674045B
公开(公告)日：2022-08-26
申请号：CN202110401328.4
申请日：2021-04-14
Applicant: 南京财经大学
IPC: G06Q30/06 , G06F16/903 , G06F17/11 , G06F17/16
Abstract: 本发明公开一种基于区间分割的电商水军识别方法，步骤是：使用Z‑score对初始数据进行标准化；计算出每个商品正确的评分区间，在该区间内的评分被认为是合理的，反之不合理；计算出各个用户评分的准确率和极差；计算出用户的各个评分到对应商品正确评分区间的距离和，并结合用户评分的准确率和极差，计算出来用户的信誉。最后，选择前N个低信誉用户作为水军。我们在三个数据集(MoiveLens、Netflix和Amazon)上测试了该方法，结果表明该方法在计算用户信誉和识别水军方面表现良好，具有较高的准确性和鲁棒性，且可扩展性强。
-
公开(公告)号：CN114511332A
公开(公告)日：2022-05-17
申请号：CN202111309484.4
申请日：2021-11-06
Applicant: 南京财经大学
Abstract: 本发明公开一种基于多层图卷积神经网络的电商反欺诈方法，步骤是：基于用户对商品的评论内容，获取用户评论内容特征和用户评论行为特征；将对同一商品进行评价的用户构造边，形成图结构，从而得到用户‑评论图结构；将连续登录评论超过七天的用户标记为高度怀疑欺诈用户，其余标记为普通用户；训练图卷积模型，学习图节点特征和图结构；使用训练好的图卷积模型对测试集进行识别，输出测试集预测结果；多次改变隐藏层神经元数目或激活函数，使用改变后的图卷积模型再次识别，输出预测结果；基于多次预测结果，将检测准确率最高的模型确定为最终的图卷积模型。此种方法能够实现对高度伪装的欺诈者的识别，提高对欺诈者的识别精度。
-
公开(公告)号：CN113886715A
公开(公告)日：2022-01-04
申请号：CN202111285010.0
申请日：2021-11-01
Applicant: 南京财经大学
IPC: G06F16/9536 , G06F16/901 , G06N3/04 , G06N3/08 , G06Q50/00
Abstract: 本发明涉及一种好友推荐方法及系统。所述好友推荐方法包括：根据现有的用户关系构建有向图，所述有向图的节点表征用户，获取每个节点的节点表征向量；根据节点的邻接关系，获取每个节点的PageRank中心性；根据节点的PageRank中心性和节点表征向量预测用户成为好友的概率对用户进行好友推荐。本申请提供的好友推荐方法可以很好的解决传统链路预测方法在节点表征过程中只考虑了低阶结构的缺陷，可以对表示用户的节点进行链路预测从而实现好友推荐的功能。
-
公开(公告)号：CN111275526B
公开(公告)日：2021-04-13
申请号：CN202010065827.6
申请日：2020-01-20
Applicant: 南京财经大学
Abstract: 本发明公开一种基于极差的电商水军识别方法，步骤是：计算初始状态下的商品质量，计算各个用户评分与商品质量的偏差；计算各用户的评分极差；基于偏差和评分极差，计算得到各个用户的用户信誉；将各用户信誉代入商品质量的计算公式中，得到对应的商品质量，进而得到新的用户信誉；计算用户信誉变化总和，若大于信誉变化阈值，则将新的用户信誉代入商品质量的计算公式中，得到对应的商品质量，直至用户信誉变化总和小于信誉变化阈值；若小于信誉变化阈值，则停止迭代；最后，选择前N个低信誉用户作为水军。此种方法对极端水军群组和随机水军群组的识别能力较优，在大数据下能够基本保证原有的识别能力，鲁棒性强，且其可拓展性强。
-
公开(公告)号：CN111242647A
公开(公告)日：2020-06-05
申请号：CN202010063701.5
申请日：2020-01-20
Applicant: 南京财经大学
IPC: G06Q30/00
Abstract: 本发明公开一种基于电商评论识别恶意用户的方法，步骤是：步骤1，构建三元组用于存储评分数据；步骤2，初始化所有用户的信誉；步骤3，计算各商品在各个评分下的带权群组大小；步骤4，计算不同商品中各群组的占比矩阵；步骤5，将占比矩阵映射到行和列分别对应用户和商品的矩阵中；步骤6，计算各用户所在群组占比的平均值和标准差，并计算用户评分的标准差；步骤7，根据步骤6得到的数据计算用户信誉；步骤8，基于步骤7得到的用户信誉，重复步骤3-7，然后计算两次用户信誉的差值，若大于阈值则继续迭代，直至小于或等于阈值；步骤9，将信誉最低的L个用户当作恶意用户。此种方法可提高筛选恶意用户的精确度，增大识别过程计算的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.029 seconds)
