-
公开(公告)号：CN106570082A
公开(公告)日：2017-04-19
申请号：CN201610907676.8
申请日：2016-10-19
Applicant: 浙江工业大学
Abstract: 一种结合网络拓扑特征和用户行为特征的朋友关系挖掘方法，包括以下步骤：1)建立朋友关系网络图，随机选取其中90％的朋友关系连边数据为训练集，剩余的10％作为测试集；2)构建两种基于拓扑相似度的朋友关系网络的有权无向图；3)构建两种基于用户行为特征相似度的朋友关系网络的有权无向图；4)使用基于加权模块度的社团检测算法(CNM算法)分别对上述四种有权无向图进行社团划分，如果任意两个用户在上述四种社团划分过程中至少有三次或以上被划为同一个社区，则认为这两个用户是朋友关系。本发明将拓扑特征以及行为特征引入到用户朋友关系网络中,通过社团划分，挖掘出两个用户是否是朋友关系。
-
公开(公告)号：CN108764537B
公开(公告)日：2021-11-23
申请号：CN201810453513.6
申请日：2018-05-14
Applicant: 浙江工业大学
Abstract: 一种基于A‑TrAdaboost算法的多源社区标签发展趋势预测方法，包括以下步骤：(1)构建问答社区中的标签网络；(2)计算源领域社区和目标领域社区结构的向量表征(3)计算源领域与目标领域之间的结构相似性；(4)构建基于A‑TrAdaboost算法的多源社区标签流行性预测模型。本发明利用网络图表征的方法，得到各个网络的向量表征，进而计算网络之间的相似性，作为不同问答社区之间的领域距离，并将网络结构之间的相似性作为多源迁移学习算法TrAdaboost的初始权重，在进行跨社区预测新标签流行性问题时，能够较好的避免多源迁移中的负迁移问题，提高模型的训练时间和精度。
-
公开(公告)号：CN109063836A
公开(公告)日：2018-12-21
申请号：CN201810683667.4
申请日：2018-06-28
Applicant: 浙江工业大学
Abstract: 一种基于进化扰动的隐私链路保护方法，包括以下步骤：S1：将网络连边划分为训练集和测试集，其中训练集是扰动对象，测试集用来评价算法有效性；S2：遗传算法包括染色体、适应度函数、选择算子、交叉算子和变异算子，具体设计如下：染色体由删除和增加的连边组成；适应度函数综合考虑了精度和AUC；选择算子为轮盘赌算法；使用单点交叉并处理了交叉冲突；变异算子为基于概率的逐点变异并处理了变异冲突；S3：将交叉和变异产生的子代以及父代的精英个体组成新的子代种群，迭代至遗传算法收敛。本发明利用遗传算法寻找最优连边扰动，在扰动量相同的情况下，达到比随机扰动或者启发式扰动更优的效果，同时也具备较好的迁移效果。
-
公开(公告)号：CN108449311B
公开(公告)日：2020-08-04
申请号：CN201810082251.7
申请日：2018-01-29
Applicant: 浙江工业大学
Abstract: 一种基于攻击节点相似性的社交关系隐匿方法，包括以下步骤：1)将网络结构数据划分为训练集和测试集；2)根据资源分配指标，计算训练集中所有节点对的相似度值；3)按照相似度值降序遍历所有目标节点对，如果该目标节点对在训练集中存在连边，则删除该连边；如果该目标节点对在测试集中存在连边，则选择该目标节点对的度值最小的共同邻居节点，删除该节点与目标节点的连边；如果该目标节点对之间不存在连边，则选择该目标节点对中度值最小的非共同邻居的邻居节点，增加该节点与目标节点的连边；如果增加和删除的总数达到限制，则终止执行，输出结果。本发明利用节点相似性进行网络的连边扰动，达到比随机扰动更好的隐匿效果。
-
公开(公告)号：CN109447109A
公开(公告)日：2019-03-08
申请号：CN201811078861.6
申请日：2018-09-17
Applicant: 浙江工业大学
IPC: G06K9/62
Abstract: 一种基于子图网络的图分类方法，包括以下步骤：S1子图选择；S2子图网络SGN构建；S3学习原始网络和子图网络的表征向量；S4子图网络的特征向量空间扩展；S5采用Logistic Regression分类器模型，将所有网络的表征结果经过10折交叉验证，训练并构建基于逻辑回归的图分类模型；S6对模型进行多次测试取平均结果作为基于子图网络的图分类模型的最终评价成绩。本发明提出了一种基于子图网络的图分类方法，结合具有局部结构特性的子图单元，构造子图网络，进而将原始网络与子图网络图谱的表征向量相结合，扩展了网络特征空间，并采用机器学习中的逻辑回归分类算法解决图分类任务，与现有技术相比，有效地提高了分类精度。
-
Patent Agency Ranking
公开(公告)号：CN108471382A
公开(公告)日：2018-08-31
申请号：CN201810082257.4
申请日：2018-01-29
Applicant: 浙江工业大学
IPC: H04L12/715 , H04L29/06
Abstract: 一种基于节点度值的复杂网络聚类算法攻击方法，包括以下步骤：S1：导入网络；S2：采用复杂网络聚类算法对网络进行聚类，得到团簇；S3：按以下步骤选择网络中的K个可操控节点：3.1)计算网络中各节点度值；3.2)选择度值最大的节点；3.3)从剩下的团簇中选择度值最大的节点；3.4)如果K＞h，则重复步骤3.2)和3.3)直至选满K个节点；S4：从K个可操控节点中随机选取一个节点，获得它的簇内邻居节点集合和簇间非邻居节点集合；S5：随机删除一条它与簇内邻居节点的连边，同时增加一条它与簇间非邻居节点的连边；S6：更新网络；S7：重复步骤S4～S6过程T次。本发明可以选择攻击对象，并实现较好的攻击效果。
-
公开(公告)号：CN106776868A
公开(公告)日：2017-05-31
申请号：CN201611071151.1
申请日：2016-11-29
Applicant: 浙江工业大学
IPC: G06F17/30
CPC classification number: G06F17/30654 , G06F17/30731
Abstract: 一种基于多元线性回归模型的餐馆评分预测方法，属于数据挖掘领域。通过对用户的评价文本内容、评价的长度、评价的情感值、餐馆当前的平均星级、用户的特点等因素的分析，提取出基于上述分析的特征值。运用多元线性回归模型，得到各个特征与最后用户给出的星级之间的关系。本发明的方法为：根据数据集，选取特征，借助线性回归方法建立预测模型。本发明通过对评价人的评价文本内容、评价的长度、评价的情感值、餐馆当前的平均星级、评价人的特点等因素的分析，得到各个因素与最后评价人给出的星级之间的关系，从而可以推测出尚未有星级的餐馆可能获得的星级。
-
公开(公告)号：CN106447505A
公开(公告)日：2017-02-22
申请号：CN201610848634.1
申请日：2016-09-26
Applicant: 浙江工业大学
CPC classification number: G06Q50/01 , G06K9/6269
Abstract: 一种社交网络中有效朋友关系发现的实现方法，包括以下步骤：1)提取各个用户的朋友，构建社交网络图谱，并获取他们的行为信息；2)根据网络图谱、用户行为信息分别提取网络拓扑特征与交互特征；3)采用SVM分类器模型，将所有样本数据经过10折交叉验证，训练并构建用户的有效朋友预测模型；4)取10折交叉验证的平均结果作为用户的有效朋友预测模型的最终评价成绩。本发明结合了社交网络图谱的拓扑特征，与用户行为信息的交互特征，采用机器学习分类器算法，挖掘社交网络中的用户朋友集中的有效朋友集，既有助于重新认识社交网络的连边结构特性，也有利于用户筛选合适的好友。
-
公开(公告)号：CN106570082B
公开(公告)日：2019-11-05
申请号：CN201610907676.8
申请日：2016-10-19
Applicant: 浙江工业大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 一种结合网络拓扑特征和用户行为特征的朋友关系挖掘方法，包括以下步骤：1)建立朋友关系网络图，随机选取其中90％的朋友关系连边数据为训练集，剩余的10％作为测试集；2)构建两种基于拓扑相似度的朋友关系网络的有权无向图；3)构建两种基于用户行为特征相似度的朋友关系网络的有权无向图；4)使用基于加权模块度的社团检测算法(CNM算法)分别对上述四种有权无向图进行社团划分，如果任意两个用户在上述四种社团划分过程中至少有三次或以上被划为同一个社区，则认为这两个用户是朋友关系。本发明将拓扑特征以及行为特征引入到用户朋友关系网络中,通过社团划分，挖掘出两个用户是否是朋友关系。
-
公开(公告)号：CN108764537A
公开(公告)日：2018-11-06
申请号：CN201810453513.6
申请日：2018-05-14
Applicant: 浙江工业大学
CPC classification number: G06Q10/04 , G06K9/6257 , G06K9/6267 , G06Q50/01
Abstract: 一种基于A‑TrAdaboost算法的多源社区标签发展趋势预测方法，包括以下步骤：(1)构建问答社区中的标签网络；(2)计算源领域社区和目标领域社区结构的向量表征(3)计算源领域与目标领域之间的结构相似性；(4)构建基于A‑TrAdaboost算法的多源社区标签流行性预测模型。本发明利用网络图表征的方法，得到各个网络的向量表征，进而计算网络之间的相似性，作为不同问答社区之间的领域距离，并将网络结构之间的相似性作为多源迁移学习算法TrAdaboost的初始权重，在进行跨社区预测新标签流行性问题时，能够较好的避免多源迁移中的负迁移问题，提高模型的训练时间和精度。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.018 seconds)
