公开(公告)号：CN119939421A

公开(公告)日：2025-05-06

申请号：CN202510001721.2

申请日：2025-01-02

Applicant: 河北工业大学

Inventor： 杨亮 ,  李振娜 ,  禚佳明 ,  马子艺 ,  汪梦竹 ,  贾永娜 ,  靳瑞勇 ,  卢金禹 ,  董纪悦

IPC: G06F18/2431 ,  H04L41/142 ,  H04L41/16 ,  G06F18/214 ,  G06F18/21 ,  G06F18/25 ,  G06N3/042 ,  G06N3/045 ,  G06N3/0895

Abstract: 本发明属于信息安全技术领域，具体是一种基于联合增广图对比学习的认知安全设备状态识别方法。首先，获取互联网的设备信息，将设备信息转换成图数据，提取图数据的邻接矩阵和节点属性矩阵；接着，将节点视为属性节点，利用图数据的节点属性矩阵和邻接矩阵生成属性插值图；对属性插值图进行谱增广，生成两个增广图；然后，构建状态识别模型，基于图对比学习对状态识别模型进行训练，将不同增广图的对应节点作为正样本对，其余所有节点作为负样本对，图对比学习的目标是最大化正样本对之间的相似性，同时最小化负样本对之间的相似性；最后，获取目标设备信息并转换为图数据，利用该图数据生成两个增广图并输入到训练后的状态识别模型中进行预测。在扰动过程中充分考虑节点属性与拓扑结构之间的关联性，保留了图数据中蕴含的深层语义信息，显著提升了图数据的完整性和表达能力，有效提高了识别准确率。

公开(公告)号：CN117972211A

公开(公告)日：2024-05-03

申请号：CN202410192295.0

申请日：2024-02-21

Applicant: 河北工业大学

Inventor： 杨亮 ,  崔灿 ,  禚佳明 ,  贾永娜 ,  牛丙鑫

IPC: G06F16/9535 ,  G06F16/9536 ,  G06Q30/0601 ,  G06Q50/00 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明公开了一种自适应高阶差分负采样图对比学习的用户推荐方法及系统，该方法首先获取用户网络数据，并将用户网络数据转换为图数据；然后，基于图神经网络构建用户推荐模型，将图数据的节点属性矩阵和邻接矩阵作为模型输入，模型输出节点表征，各节点表征再经过多层感知机映射为各节点的预测结果；最后，对用户推荐模型进行训练，根据基于自适应高阶差分负采样策略的图对比学习损失函数计算损失；在实际应用中，将待预测的用户数据转换为图数据，将图数据的邻接矩阵与节点属性矩阵输入到训练后的用户推荐模型中，模型输出各节点的预测结果，根据预测结果实现用户推荐。该方法利用目标节点与其邻居节点之间的高阶关系相似度为不同的负样本分配不同的权重，可自适应学习不同同配率的数据集，同时可减少假正负样本对模型训练的干扰。