-
公开(公告)号：CN105512511A
公开(公告)日：2016-04-20
申请号：CN201510823808.4
申请日：2015-11-24
Applicant: 南开大学
IPC: G06F19/24
CPC classification number: G06F19/24
Abstract: 本发明公开了一种基于一致性多非负矩阵分解的聚类方法，该聚类方法属于数据挖掘、生物信息领域，该聚类方法包括以下步骤：根据异质节点间的关联关系数据，构建相邻两层节点间关联矩阵；对于具有层次结构的节点，根据节点间的层次关联关系，构建不同层次的节点内层次关联矩阵；以节点间关联矩阵和节点内层次关联矩阵作为输入，构建一致性多非负矩阵分解模型，并进行优化，得到节点聚类矩阵；对节点聚类矩阵进行归一化处理，若节点与簇的相关性大于给定阈值，则认为该节点属于该簇，完成对节点的聚类。本发明实现了对异质节点间多层关联关系和节点内层次关联关系进行建模，达到了很好的节点聚类效果。
-
公开(公告)号：CN105512511B
公开(公告)日：2018-07-06
申请号：CN201510823808.4
申请日：2015-11-24
Applicant: 南开大学
IPC: G06F19/24
Abstract: 本发明公开了一种对异质网络中的节点进行聚类的方法，该聚类方法属于数据挖掘、生物信息领域，该聚类方法包括以下步骤：根据异质节点间的关联关系数据，构建相邻两层节点间关联矩阵；对于具有层次结构的节点，根据节点间的层次关联关系，构建不同层次的节点内层次关联矩阵；以节点间关联矩阵和节点内层次关联矩阵作为输入，构建一致性多非负矩阵分解模型，并进行优化，得到节点聚类矩阵；对节点聚类矩阵进行归一化处理，若节点与簇的相关性大于给定阈值，则认为该节点属于该簇，完成对节点的聚类。本发明实现了对异质节点间多层关联关系和节点内层次关联关系进行建模，达到了很好的节点聚类效果。
-
公开(公告)号：CN110993121A
公开(公告)日：2020-04-10
申请号：CN201911239229.X
申请日：2019-12-06
Applicant: 南开大学
Abstract: 一种基于双协同线性流形的药物关联预测方法，该预测方法属于数据挖掘、生物信息领域，包括：1)根据药物间关联关系数据，构建药物-药物节点间初始目标关联矩阵；2)根据药物靶蛋白间关联关系数据和靶蛋白间关联关系数据，构建药物-靶蛋白和靶蛋白-靶蛋白节点间辅助关联矩阵；3)获取初始目标关联矩阵与辅助矩阵的流形作为输入，构建双协同线性流形学习模型；4)根据一致性原则，通过迭代更新，丰富目标矩阵信息，获取评分较高的关联，认为该两种药物之间存在关联关系，完成药物关联预测任务。本发明采用流形来测量数据的相关性，并采用协作学习来充分利用网络内的一致性。可有效地提高预测的准确性，适用于药物-药物关联预测。
-
公开(公告)号：CN102043776A
公开(公告)日：2011-05-04
申请号：CN200910070787.8
申请日：2009-10-14
Applicant: 南开大学
Abstract: 本发明公开一种全新的与查询相关的多排序模型集成方法。该方法为每一个查询及其相关文档建立子排序模型，并将子排序模型进行向量化表示，进而将多个查询相关的排序模型转化为特征数据，从而实现多排序模型的集成。并以排序支持向量机为子排序模型，在查询级和样本级建立新的损失函数作为优化目标，并利用此损失函数调节不同查询产生损失之间的权重，提出多查询相关的排序支持向量机融合算法。将本发明提出的与查询相关的多排序模型集成算法应用于实际任务，可以取得比传统模型更好的性能。本发明提出的多模型融合方法除排序学习之外，还可应用于多元分类、序列标注等问题，在信息检索、网络搜索等领域具有广泛的应用前景。
-
-
-
Search Results
4
records
(took 0.025 seconds)
