-
公开(公告)号：CN114722304A
公开(公告)日：2022-07-08
申请号：CN202210397374.6
申请日：2022-04-15
Applicant: 南开大学
IPC: G06F16/9536 , G06F16/33 , G06Q50/00 , G06K9/62
Abstract: 本发明公开了一种异质信息网络上基于主题的社区搜索方法，首先从目标异质信息网络的文本描述信息中提取出携带有文本信息的节点的主题，然后对与目标查询节点类型相同的节点进行主题聚合；然后根据给定的元结构对目标异质信息网络进行重构，返回按照这一元结构模式重构后的规模更小的新异质信息网络，并返回和这一元结构等价的元路径；最后在得到的新的异质信息网络上，按照新的元路径，按照输入的目标查询节点，采用现有的按照元路径进行社区搜索的方法进行社区搜索，搜索到和目标查询节点关联紧密并且主题相似的社区。
-
Patent Agency Ranking
公开(公告)号：CN114722304B
公开(公告)日：2025-03-28
申请号：CN202210397374.6
申请日：2022-04-15
Applicant: 南开大学
IPC: G06F16/9536 , G06Q50/00 , G06F16/334 , G06F18/23
Abstract: 本发明公开了一种异质信息网络上基于主题的社区搜索方法，首先从目标异质信息网络的文本描述信息中提取出携带有文本信息的节点的主题，然后对与目标查询节点类型相同的节点进行主题聚合；然后根据给定的元结构对目标异质信息网络进行重构，返回按照这一元结构模式重构后的规模更小的新异质信息网络，并返回和这一元结构等价的元路径；最后在得到的新的异质信息网络上，按照新的元路径，按照输入的目标查询节点，采用现有的按照元路径进行社区搜索的方法进行社区搜索，搜索到和目标查询节点关联紧密并且主题相似的社区。
-
公开(公告)号：CN118709064A
公开(公告)日：2024-09-27
申请号：CN202410768521.5
申请日：2024-06-14
Applicant: 南开大学
IPC: G06F18/2413 , G06F18/22 , G06F18/214 , G06F17/16 , G06N3/042
Abstract: 本发明公开了一种基于谱域图神经网络的用户异常评论检测方法。首先根据用户评论网络定义定点、顶点的特征矩阵X和边，进而建立用户评论图数据；再分别为每个顶点找到与其特征最相似的k个邻居以及特征最不相似的k个邻居，分别构建出KNN图和KFN图；再通过谱域图神经网络来学习顶点在三张图中的向量表示；再将三种顶点向量表示使用注意力机制进行聚合，再利用聚合后的特征来识别异常评论；再使用损失函数训练模型，当某次迭代的预测类别的准确率在验证集上存在提升时，就使用最新的顶点向量表示更新KNN图和KFN图，直至模型收敛。本发明不受异常类型限制，具有通用性，可以自适应地识别异常顶点，大大提高异常检测能力。
-
公开(公告)号：CN117421671A
公开(公告)日：2024-01-19
申请号：CN202311732766.4
申请日：2023-12-18
Applicant: 南开大学
IPC: G06F18/2415 , G06N7/01 , G06F16/901 , G06F17/16 , G06F18/213 , G06F18/214
Abstract: 本发明公开了一种面向引文网络的频率自适应静态异质图节点分类方法，首先从引文网络数据中提取出特征，构建静态异质图；再忽略静态异质图的顶点类型和边类型，通过受约束的马尔可夫过程得到转移状态矩阵收敛时图的稳定的转移状态，再将随机游走概率大于给定阈值的顶点对作为新的类型的边加入到静态异质图中；再通过空间线性映射将不同的顶点类型从原始空间映射到同一向量空间中，再对每个顶点来自一阶邻居的信号分离高频和低频信号，并通过个性化注意力机制为每个顶点聚合高低频信号；最后，通过空间线性映射将顶点的表示向量映射回原始空间，通过加权交叉熵和受约束的注意力机制训练模型，再通过分类器将引文网络数据的顶点进行分类。
-
公开(公告)号：CN117421671B
公开(公告)日：2024-03-05
申请号：CN202311732766.4
申请日：2023-12-18
Applicant: 南开大学
IPC: G06F18/2415 , G06N7/01 , G06F16/901 , G06F17/16 , G06F18/213 , G06F18/214
Abstract: 本发明公开了一种面向引文网络的频率自适应静态异质图节点分类方法，首先从引文网络数据中提取出特征，构建静态异质图；再忽略静态异质图的顶点类型和边类型，通过受约束的马尔可夫过程得到转移状态矩阵收敛时图的稳定的转移状态，再将随机游走概率大于给定阈值的顶点对作为新的类型的边加入到静态异质图中；再通过空间线性映射将不同的顶点类型从原始空间映射到同一向量空间中，再对每个顶点来自一阶邻居的信号分离高频和低频信号，并通过个性化注意力机制为每个顶点聚合高低频信号；最后，通过空间线性映射将顶点的表示向量映射回原始空间，通过加权交叉熵和受约束的注意力机制训练模型，再通过分类器将引文网络数据的顶点进行分类。
-
公开(公告)号：CN117093928A
公开(公告)日：2023-11-21
申请号：CN202311348263.7
申请日：2023-10-18
Applicant: 南开大学
IPC: G06F18/2413 , G06N3/042 , G06F17/16 , G06F18/214 , G06F18/22
Abstract: 本发明公开了一种基于谱域图神经网络的自适应图节点异常检测方法。首先从输入数据中提取出每个顶点的特征，得到顶点的特征矩阵X，同时构建静态属性图；再分别为每个顶点找到与其特征最相似的k个邻居以及特征最不相似的k个邻居，分别构建出KNN图和KFN图；再通过谱域图神经网络来学习顶点在三张图中的向量表示；再将三种顶点向量表示使用注意力机制进行聚合，再利用聚合后的特征来识别异常顶点；再使用损失函数训练模型，当某次迭代的预测类别的准确率在验证集上存在提升时，就使用最新的顶点向量表示更新KNN图和KFN图，直至模型收敛。本发明不受异常类型限制，具有通用性，可以自适应地识别异常顶点，大大提高异常检测能力。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
