-
公开(公告)号：CN116226467A
公开(公告)日：2023-06-06
申请号：CN202310297088.7
申请日：2023-03-24
Applicant: 南通大学
IPC: G06F16/901 , G06N3/08 , G06Q50/00 , G06N3/0464
Abstract: 本发明公开一种基于节点结构特征的图卷积神经网络的社区发现方法。首先，将不同类型的节点映射至同一空间，使用GCN模型求得节点特征。然后，从异构性和重叠性两个方面考虑节点的结构特征。接着，对三个角度下的目标节点表征进行堆叠，使用MLP生成最终的目标节点表征。最后，使用k‑means聚类算法，对节点进行社区划分。本发明从异构性和重叠性两个角度，考虑节点结构特征，从节点特征和节点结构特征两个方面，考虑节点表征，为学习节点表征提供了新的角度，提高了节点表征的质量，保证了社区发现的精确性，对个性化推荐、社区欺诈检测等多种领域有着重要意义。
-
公开(公告)号：CN117992798A
公开(公告)日：2024-05-07
申请号：CN202410224534.6
申请日：2024-02-29
Applicant: 南通大学
IPC: G06F18/22 , G06N3/042 , G06N3/0455 , G06N3/0895 , G06F18/23 , G06F18/24
Abstract: 本发明公开一种基于互信息和余弦相似度结合的异构节点表征学习方法，包括：将节点信息转换成one‑hot向量作为初始特征值；将异构图下不同类型的节点信息映射到相同的嵌入层空间中，根据目标节点的元路径，层层聚合邻居节点的信息，学习到目标节点的低阶节点特征；通过对目标节点类型的邻接矩阵求幂来建立可达性矩阵；采用图注意力网络作为编码器来聚合相邻节点，使用高阶可达性矩阵学习目标节点相同类型的高阶节点特征；通过余弦相似度和互信息相结合的方法设计损失函数；对最终生成的节点特征放入下游任务中进行评判。本发明考虑了低阶和高阶下的节点特征信息，并结合考虑互信息和余弦相似度来设计损失函数，提高了学习到的节点信息的准确性与完整性。
-
公开(公告)号：CN117056763A
公开(公告)日：2023-11-14
申请号：CN202310977974.4
申请日：2023-08-04
Applicant: 南通大学
IPC: G06F18/23213 , G06F17/16 , G06N3/048 , G06N3/084 , G06N3/04
Abstract: 本发明公开一种基于变分图嵌入的社区发现方法。首先，将网络转化为图结构并处理，得到邻接矩阵A；根据邻接矩阵计算模块度矩阵B；通过计算t阶邻居节点的邻近矩阵M；构建基于变分自编码器的推理模型，利用邻接矩阵A和模块度信息B对社区成员度Z编码；然后，构建基于变分自编码器的生成模型，利用内积解码器重构邻接矩阵A，并计算重构损失和编码器的损失；最后，利用社区成员度矩阵Z，使用聚类算法得到最终的社区检测结果。本发明考虑了社区发现中的模块度以及图中节点的高阶邻居两个方面，通过高阶邻居改进GAT编码器，并结合所得模块度矩阵，最终得到整个图的低维嵌入表示，所求得的图嵌入表示比现有方法更精准，以此提高社区发现的精确度。
-
Patent Agency Ranking
公开(公告)号：CN117150147A
公开(公告)日：2023-12-01
申请号：CN202310988818.8
申请日：2023-08-08
Applicant: 南通大学
IPC: G06F16/9536 , G06F16/901 , G06Q50/00 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于结构中心扩散的图卷积神经网络的社区发现方法。首先，将网络转化为图结构得到邻接矩阵和节点属性矩阵。然后，通过计算网络结构中的局部密度、节点相似度和相对距离，选择初始的结构中心节点。接着，利用图拓扑和节点属性对初始结构中心进行细化和扩散标签集。最后，使用多种损失函数联合优化模型参数。本发明局部密度和结构中心两个角度，通过迭代优化结构中心以及选择一些与社区结构中心的隶属度相近的节点来扩展伪标签集，并利用用扩散的伪标记集训练GCN，实现社区检测。提高了GCN的社区检测性能，保证了社区发现的精确性，对个性化推荐、社区欺诈检测等多种领域有着重要意义。
-
公开(公告)号：CN117034061A
公开(公告)日：2023-11-10
申请号：CN202310977640.7
申请日：2023-08-04
Applicant: 南通大学
IPC: G06F18/23213 , G06N3/0464 , G06N3/088 , G06F17/16
Abstract: 本发明公开一种基于无监督学习的图卷积神经网络的社区发现方法。首先，对数据预处理，计算出节点和边的邻接矩阵和特征矩阵。然后，使用GCN模型，结合节点和边的特征，学习最终的节点表征矩阵。接着，使用无监督学习方法，使用重构损失函数和模块度损失函数反向传播优化模型。最后，使用k‑means聚类算法，对节点进行社区划分。本发明从无监督学习和边和节点特征相结合的两个方向出发，计算节点表征矩阵，拓宽了学习节点表征的方法，保证了节点表征学习的质量，提高了社区发现的精确性，对研究引文网络、脑神经和推荐系统等多种领域的研究有着重要意义。
-
公开(公告)号：CN116629309A
公开(公告)日：2023-08-22
申请号：CN202310576862.8
申请日：2023-05-22
Applicant: 南通大学
IPC: G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明在于提供一种基于图神经网络的节点关系空间对比学习社区发现方法，解决以前模型大多是有监督并且没有考虑节点和关系之间相似度的问题，通过最大化节点空间与关系空间学习到的节点特征之间的相似度来设计损失函数，并且改进了以前的对比学习方法，使用节点空间和关系空间进行对比学习从而得到更好的优化模型，考虑了元路径长度和覆盖数量对节点特征的影响，并通过不同关系之间的交互学习，得到最终的节点表征，更好的进行社区发现。
-
公开(公告)号：CN116304773A
公开(公告)日：2023-06-23
申请号：CN202310043047.5
申请日：2023-01-29
Applicant: 南通大学
IPC: G06F18/23213 , G06F18/2135 , G06N3/042 , G06N3/045
Abstract: 本发明公开一种基于图神经网络的社区发现方法，包括：将节点信息转换成one‑hot向量作为初始特征值；对one‑hot向量进行PCA降维，计算降维后目标节点与其他节点的特征相似度，学习到目标节点在特征视图下的节点表征；在元路径内和元路径间使用注意力机制，学习到目标节点在元路径视图下的节点表征；分层聚合邻居节点的信息，学习到目标节点在结构视图下的节点表征；拼接三种节点表征，学习到目标节点最终的节点表征；通过最小化交叉熵损失函数来优化模型；通过对生成的节点表征进行k‑means划分成不同的社区。本发明考虑了节点元路径视图下的信息以及特征视图和结构视图下的信息，提高了学习到的节点信息的丰富性与完整性，提高了表征的质量，使发现的社区更为精准。
-
公开(公告)号：CN115828143A
公开(公告)日：2023-03-21
申请号：CN202211642551.9
申请日：2022-12-20
Applicant: 南通大学
IPC: G06F18/24 , G06N3/0464 , G06N3/088 , G06N3/0895
Abstract: 本发明提出一种基于自注意力机制和简化版图神经网络的异构图神经网络模型，用来自动捕获节点之间有用的关系感知拓扑结构信号，以获得集成了网络结构和节点属性特征的节点表征。模型分为多元关系聚合模块和多层图卷积模块，多元关系聚合模块将异构图解耦为多个同构二部子图，接着应用自注意力机制为每个子图更新关系感知参数权值，重新聚合成新的矩阵用于提取元路径。多层图卷积模块基于图卷积神经网络(GCN)的思想通过聚集相邻节点的特征来学习节点的低维表征，并采用弃用GCN非线性激活函数的方式来简化其消息传递过程，以获得高效学习网络表示的能力，使得到的节点表征包含了所有长度的元路径信息。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.029 seconds)
