一种基于知识图谱和图卷积神经网络的多行为推荐方法及系统

    公开(公告)号:CN116521996A

    公开(公告)日:2023-08-01

    申请号:CN202310503290.0

    申请日:2023-05-06

    Abstract: 本发明提供一种基于知识图谱和图卷积神经网络的多行为推荐方法及系统,采用了知识图卷积网络进行推荐,融合了知识图谱和图卷积神经网络的模型。图传统推荐算法只使用user‑item信息进行推荐,而知识图卷积方法,它使用user‑item和user‑entity信息进行推荐,item中添加了邻居信息,可以很好的解决数据稀疏性问题。同时,实体之间存在多种多样的关系,有助于提高用户推荐的多样性。首先,通过收集user和item属性,根据它们之间的相关性,建立各个实体之间,实体与属性之间的知识图,并对其进行正负样本标记;然后,进行邻域聚合。捕获每个实体的局部邻接结构;最后,预测user对item感兴趣的概率,并选择模型参数最优值进行电影或音乐的推荐。

    一种单细胞多组学数据整合方法
    3.
    发明公开

    公开(公告)号:CN119252326A

    公开(公告)日:2025-01-03

    申请号:CN202411262388.2

    申请日:2024-09-10

    Abstract: 本发明公开了一种单细胞多组学数据整合方法,涉及生物信息技术领域,其技术要点为:S1:对单细胞RNA测序数据与单细胞ATAC测序数据进行预处理,包括数据筛选与基因选择两个部分;S2:构建低维共享空间,使用自编码器构建一个两种组学数据的低维共享空间;S3:使用低维共享空间中的单细胞RNA测序数据训练深度金字塔卷积神经网络;S4:使用训练好的深度金字塔卷积神经网络,对单细胞ATAC测序数据进行分类,得到细胞类型标签,实现单细胞RNA测序数据与单细胞ATAC测序数据的数据整合。本发明通过使用自编码器网络,构建出低维共享空间,最大化不同组学数据之间的相似性,通过文本卷积网络学习不同细胞类型数据之间的分布,最终实现整合多组学数据的目的。

    一种基于PCA的单细胞异常值处理方法及装置

    公开(公告)号:CN116564404A

    公开(公告)日:2023-08-08

    申请号:CN202310503636.7

    申请日:2023-05-06

    Abstract: 本发明提供一种基于PCA的单细胞异常值处理方法及装置,采用了传统的PCA降维方法,在其过程中加入异常值判定的流程并过滤掉异常点,从而解决传统方法的异常值过多的问题。协方差矩阵和特征向量的计算方式能够识别数据中的主要特征,并将它们投影到低维空间中,使得投影后的数据更易于可视化和解释。通过PCA进行异常点检测,可以识别数据集中的异常值,并且在不丢失数据重要信息的情况下,可以提高数据集的质量和准确性。最后,PCA异常点检测方法是一种无监督的方法,可以自动检测数据集中的异常点,不需要事先知道异常点的存在,具有较强的适应性和普适性。

    一种添加的掩码的scRNA-seq测序数据PCA降维方法

    公开(公告)号:CN119252341A

    公开(公告)日:2025-01-03

    申请号:CN202411262514.4

    申请日:2024-09-10

    Abstract: 本发明公开了一种添加的掩码的scRNA‑seq测序数据PCA降维方法,涉及生物信息技术领域,其技术方案要点是:包括采集数据并进行预处理,得到原始基因表达矩阵;添加掩码,筛选并掩盖低可变基因,从而得出掩码矩阵;奇异值分解,使用SVD分解求出降维矩阵;PCA降维,根据降维矩阵的特征值与原始基因表达矩阵相乘,得到降维结果;聚类可视化,使用leiden方法进行聚类,使用T‑SNE方法进行可视化。本发明提出了一种添加的掩码的scRNA‑seq测序数据PCA降维方法,通过添加掩码的方式保留低表达基因之间的潜在联系,同时采用从基因表达综合中心(GEO)下载的数据集,经过传统PCA与掩码PCA方法分别降维,通过聚类精确度比较方法效果,结果表明了在大部分数据集上,聚类效果得到了明显提升。

Patent Agency Ranking