-
公开(公告)号：CN118509304A
公开(公告)日：2024-08-16
申请号：CN202410584137.X
申请日：2024-05-11
IPC: H04L41/0631 , H04L41/142 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/22 , G06F17/18 , G06F17/16
Abstract: 本发明公开了基于个性化PageRank和对比学习的属性网络异常节点检测方法，属于异常节点检测领域。提出基于PPR的自适应采样策略，根据属性网络中不同节点的中心性选择适配的子图规模并获得局部结构信息，以解决固定采样策略造成的上下文信息缺失或引入噪声进而导致降低检测准确度的问题。利用K最近邻算法单独从属性空间中寻找属性网络的节点最近邻居并获得全局属性信息，充分捕获节点的属性特征额外提供的异常信息。从局部结构和全局属性两个角度构建两个对比范式，并设计了直接针对异常节点检测的对比学习损失函数和异常值计算公式，既考虑子图蕴含的上下文信息与节点信息的一致性，还考虑了属性空间的一致性，提高了检测准确度。
-
公开(公告)号：CN109740024A
公开(公告)日：2019-05-10
申请号：CN201910014844.4
申请日：2019-01-08
Applicant: 东北大学
IPC: G06F16/901 , G06Q50/00
Abstract: 本发明涉及一种面向大规模时序图影响力最大化问题的解决方法，其采用时序图GT(V,E,TE)来表示将社交网络各个节点的数据抽象为时序图，对节点间的传播概率进行初始化，使其适用于时序图的ICT传播模型，在ICT传播模型的基础上对各个节点进行影响力的计算，依据在步骤3中计算的各个节点的影响力集合解决时序图影响力最大化问题，即寻找大小为k的种子节点集合。采用本方法解决时序图影响力最大化问题，可以快速且高效的解决时序图影响力最大化问题。
-
公开(公告)号：CN109684520A
公开(公告)日：2019-04-26
申请号：CN201910012983.3
申请日：2019-01-07
Applicant: 东北大学
IPC: G06F16/901
Abstract: 本发明涉及一种大规模时序图顶点相似度计算方法，其包括如下步骤:S1、将社交网络各个顶点的数据抽象为时序图；S2、通过随机游走方法和路径融合方法建立树形索引，使用Bootstrap抽样方法估计索引树中每层节点时间差的期望，使用Monte Coral方法计算目标顶点与其他顶点的相似度；S3、根据步骤S2计算出的目标顶点与其他顶点相似度，找出与目标定点最相似的k个顶点。本发明的技术方法，使顶点相似度计算的更加准确，用于推荐系统中能够更加精确的对用户进行推荐。
-
Patent Agency Ranking
公开(公告)号：CN117933341B
公开(公告)日：2024-07-23
申请号：CN202410319788.6
申请日：2024-03-20
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明提供一种基于同配性增强的图神经网络方法，涉及机器学习和深度学习技术领域。该方法具体包括：获取原始图的图数据，计算图数据中各节点的度并选取脆弱节点，选取需要删除边的节点，进而选定原始图中需要删除的边，构建增强后的同配图；训练条件变分自编码器，并利用训练好的条件变分自编码器生成增广特征矩阵，采用有监督损失函数计算预测结果；采用梯度下降更新训练好的条件变分自编码器中的生成参数，并开始迭代直至生成参数收敛为止，选择符合精度要求的增广特征矩阵，并利用级联的卷积层确定特征表示矩阵，再将其输入残差网络得到最终的预测结果，完成节点的分类；本发明通过增强图的同配性以提高图神经网络的鲁棒性和泛化能力。
-
公开(公告)号：CN115658685A
公开(公告)日：2023-01-31
申请号：CN202211187508.8
申请日：2022-09-28
Applicant: 东北大学
IPC: G06F16/22 , G06F16/2455 , G06N20/00
Abstract: 本发明提供了基于查询频繁项划分空间数据的多维学习索引构建方法，属于学习索引技术领域。该方法对历史查询数据流中Top‑k查询频繁项进行挖掘并按各网格内估计查询频数均匀划分网格，各网格被查询读取的概率基本相近，所以当某网格内拥有查询频繁项多时，该网格内总数据点数就更少，从而在读取该网格所在磁盘页面时，遍历的数据点就少，进而提高了查询倾斜工作负载下空间数据的查询速度；设计合理的映射函数确保位于小编号单元网格中的点的映射值比位于大编号单元网格中的点的映射值小，对不易排序的多维数据依照网格编号赋予单调递增的映射值。从而在处理查询问题时，可轻松获取需要读取的单元网格，减少对查询范围以外网格的读取，提升查询速度。
-
公开(公告)号：CN109753594A
公开(公告)日：2019-05-14
申请号：CN201910025968.2
申请日：2019-01-11
Applicant: 东北大学
IPC: G06F16/901 , G06F16/903
Abstract: 本发明涉及一种面向大规模时序图上的图模拟匹配方法，包括如下步骤：S1、将得到的时序图数据进行处理，转化为图方式存储；S2、在时序图G＝(V,E,L)上根据查询图Q＝(Vq,Eq,Lq,fe)进行图模拟匹配查询；得出最终模拟匹配查询结果。本发明方法实现了在时序图中进行图模拟匹配，弥补了目前时序图上图模拟匹配研究的匮乏，同时本方法所用的运行时间相较于将时序图转化为静态图然后进行图模拟的方法运行时间更短。
-
公开(公告)号：CN117933341A
公开(公告)日：2024-04-26
申请号：CN202410319788.6
申请日：2024-03-20
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明提供一种基于同配性增强的图神经网络方法，涉及机器学习和深度学习技术领域。该方法具体包括：获取原始图的图数据，计算图数据中各节点的度并选取脆弱节点，选取需要删除边的节点，进而选定原始图中需要删除的边，构建增强后的同配图；训练条件变分自编码器，并利用训练好的条件变分自编码器生成增广特征矩阵，采用有监督损失函数计算预测结果；采用梯度下降更新训练好的条件变分自编码器中的生成参数，并开始迭代直至生成参数收敛为止，选择符合精度要求的增广特征矩阵，并利用级联的卷积层确定特征表示矩阵，再将其输入残差网络得到最终的预测结果，完成节点的分类；本发明通过增强图的同配性以提高图神经网络的鲁棒性和泛化能力。
-
公开(公告)号：CN117131049A
公开(公告)日：2023-11-28
申请号：CN202311090767.3
申请日：2023-08-28
Applicant: 东北大学
IPC: G06F16/22 , G06F16/242 , G06F16/27 , G06F21/64
Abstract: 本发明提供一种支持布尔查询与范围查询的可验证区块链索引方法，涉及区块链技术领域。该方法具体包括：提出固定窗口累加器区块链索引构建方式，称为FWA区块链索引构建方式；所述FWA区块链索引构建方式为将区块链系统中的所有区块进行区域划分，将每一个划分好的区域称为一个时间窗口，以时间窗口为单位，采用默克尔哈希树的形式构建FWA区块链索引；根据FWA区块链索引构建方式构建基于固定窗口累加器的对象注册树、基于固定窗口累加器的字典树、基于固定窗口累加器的B+树三种用于索引和验证的数据结构，并基于以上三种数据结构进行可信查询任务处理；克服了密码学累加器的可验证索引结构的公钥管理问题，节省了索引构建占用的空间开销。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.031 seconds)
