-
公开(公告)号：CN118733984A
公开(公告)日：2024-10-01
申请号：CN202410641502.6
申请日：2024-05-22
Applicant: 哈尔滨理工大学
IPC: G06F18/20 , G06F18/2411 , G06F18/2415 , G06F18/23213 , G06Q50/00
Abstract: 本发明公开了一种基于异构图的随机游走属性网络嵌入和社区发现方法。首先，结合异构图中结构节点的结构重要性、属性重要性，以及异构图中属性节点的属性重要性，计算结构节点的影响力；其次，构建异构图的加权图及其转移概率矩阵；然后，构建加权图随机游走序列，游走时属性节点作为中介节点实现无连接节点之间的游走，低影响力节点作为桥接节点实现游走跨越，降低游走序列中的冗余信息；最后，利用skip‑gram模型对游走序列进行训练，学习每个节点的低维向量表示，根据k‑means聚类算法，对节点的低维向量进行聚类，实现社区划分。
-
公开(公告)号：CN116756600A
公开(公告)日：2023-09-15
申请号：CN202310720045.5
申请日：2023-06-17
Applicant: 哈尔滨理工大学
IPC: G06F18/23213 , G06F18/22 , G06F17/16 , G06Q50/00
Abstract: 本发明针对基于随机游走的网络嵌入和社区发现方法存在忽略节点属性信息、游走时没有考虑社区中节点的中心性和边界性等问题，提出了一种基于随机游走的属性网络嵌入和社区发现方法。首先，计算节点拓扑和属性相似度，构建联合相似度矩阵。其次，分别构造偏向社区边界和内部游走的转移概率矩阵，更好地识别社区中心和边界，保持社区结构。接着，根据节点度和属性数设置游走次数和长度，减少低度和低属性节点过采样造成的冗余信息以及手动设置游走参数带来的不便。最后，通过Skip‑Gram模型得到的节点嵌入向量并运用k‑means聚类得到社区划分结果。通过在真实数据集和人工数据集上进行实验，验证了所提算法的有效性。
-
公开(公告)号：CN114461879B
公开(公告)日：2024-10-15
申请号：CN202210073662.6
申请日：2022-01-21
Applicant: 哈尔滨理工大学
IPC: G06F16/906 , G06Q50/00 , G06F40/30 , G06F40/216
Abstract: 本发明公开了一种基于文本特征整合的语义社交网络多视角社区发现方法，包括：抓取社交网络中用户发表语义信息；提取语义信息中预设数量的词频特征构建矩阵；对语义信息进行TF‑IDF值计算，提取预设数量的关键字特征构建矩阵；利用LDA主题模型获取语义信息的主题和每位用户的主题分布构建矩阵；利用Pearson相关系数求解上述矩阵之间的相似度矩阵，并与预设阈值进行比较，若大于则建立连接重构原社交网络，得到语义社交网络；利用基于图学习的多视角聚类算法对语义社交网络进行多视角社区发现，得到社区划分结果。该方法从多个视角考虑社交网络的语义信息再进行社区发现，保证社区结构划分结果的高质量、高准确度和高凝聚性。
-
公开(公告)号：CN116822626A
公开(公告)日：2023-09-29
申请号：CN202310779688.7
申请日：2023-06-29
Applicant: 哈尔滨理工大学
IPC: G06N5/02 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种面向邻居实体层次信息聚合的知识表示学习方法。首先，对中心目标实体周围不同层次的结构特征进行区分和度量。其次，针对星型结构利用图注意力网络对一跳邻居实体进行信息聚合。接着，针对三角形结构利用关系路径编码对多跳邻居实体进行信息聚合。然后，对所得到的关于中心实体的表示向量进行特征融合，制定损失函数并进行模型训练。最后，设计解码器convKB对上一步得到的特征向量训练和学习。现有方法未对中心目标实体周围的不同层次的结构特征进行区分和度量，导致中心目标实体与关系的表示结果产生过平滑性现象，实体链接预测效果较低。
-
公开(公告)号：CN114707044B
公开(公告)日：2023-06-23
申请号：CN202111638174.7
申请日：2021-12-29
Applicant: 哈尔滨理工大学
IPC: G06F16/951 , G06Q50/00
Abstract: 本发明公开了一种基于社区发现的集体社交行为的提取方法及系统，其中，该方法包括：抓取社交网络中多个用户发表的帖子作为初始数据集，并对其进行预处理得到数据集；利用LDA模型处理数据集，生成主题分布；构造基于稀疏表达的相似度计算函数求解每个帖子与主题分布的相似度，得到亲和矩阵；基于自适应损失函数构建社区发现算法，确定目标函数；使用交替迭代法使目标函数不断学习，得到亲和矩阵中同一主题下每个帖子之间的连通分量，以构建目标相似度矩阵确定社区结构；引入node2vec模型将社区结构可视化，根据社区结构中中节点的分布情况提取集体社交行为。该方法可以准确提取明显不同于个体语义行为特征的集体社交行为，且鲁棒性高。
-
Patent Agency Ranking
公开(公告)号：CN114429404A
公开(公告)日：2022-05-03
申请号：CN202210054283.2
申请日：2022-01-18
Applicant: 哈尔滨理工大学
Abstract: 本申请提供了一种多模异质社交网络社区发现方法，包括：基于所述多模异质社交网络内各节点信息和不同节点间的元路径连接关系集合构建初始信息矩阵；以最短可达元路径的为划分依据划分所述初始信息矩阵，得到多维异质网路信息矩阵；将所述多模异质社交网络内至少两个预设目标节点的所述小信息向量和所述总体信息向量进行维度合并，得到预设目标节点集合的信息矩阵；计算所述初始信息矩阵的融合向量；根据所述融合向量获取社区集合。采用元路径这种数据存储模式将用户及属性之间关系构成关系链，进而获得了更优秀的知识表达能力，利用因子分析模型提取路径中的主成份，改善了节点属性量化不完备这一现状，提高了社区结构的内聚性。
-
公开(公告)号：CN114492455B
公开(公告)日：2024-10-15
申请号：CN202210072113.7
申请日：2022-01-21
Applicant: 哈尔滨理工大学
IPC: G06F40/30 , G06F40/216 , G06Q50/00
Abstract: 本发明公开了一种基于图结构整体和部分的社交网络意见领袖挖掘方法，属于社交网络分析技术领域，包括：爬取社交网络中用户语义信息并进行预处理；利用LDA模型将处理后的语义信息抽象为主题，提取关键字，将主题和关键字作为特征属性；将LDA模型生成的K个主题作为向量空间，堆叠成数据矩阵建立用户社交网络；利用基于密度的社区发现方法对用户社交网络进行社区划分，得到社区结构；基于图的整体结构计算社区结构中所有用户节点整体、局部影响力；融合所有用户节点整体、局部影响力进行影响力评估，得到所有用户节点影响力评分，将排在预设阈值前的用户节点作为意见领袖。该方法考虑因素的多样性保证了网络意见领袖挖掘的准确性和有效性。
-
公开(公告)号：CN114707044A
公开(公告)日：2022-07-05
申请号：CN202111638174.7
申请日：2021-12-29
Applicant: 哈尔滨理工大学
IPC: G06F16/951 , G06Q50/00
Abstract: 本发明公开了一种基于社区发现的集体社交行为的提取方法及系统，其中，该方法包括：抓取社交网络中多个用户发表的帖子作为初始数据集，并对其进行预处理得到数据集；利用LDA模型处理数据集，生成主题分布；构造基于稀疏表达的相似度计算函数求解每个帖子与主题分布的相似度，得到亲和矩阵；基于自适应损失函数构建社区发现算法，确定目标函数；使用交替迭代法使目标函数不断学习，得到亲和矩阵中同一主题下每个帖子之间的连通分量，以构建目标相似度矩阵确定社区结构；引入node2vec模型将社区结构可视化，根据社区结构中中节点的分布情况提取集体社交行为。该方法可以准确提取明显不同于个体语义行为特征的集体社交行为，且鲁棒性高。
-
公开(公告)号：CN114492455A
公开(公告)日：2022-05-13
申请号：CN202210072113.7
申请日：2022-01-21
Applicant: 哈尔滨理工大学
IPC: G06F40/30 , G06F40/216 , G06Q50/00
Abstract: 本发明公开了一种基于图结构整体和部分的社交网络意见领袖挖掘方法，属于社交网络分析技术领域，包括：爬取社交网络中用户语义信息并进行预处理；利用LDA模型将处理后的语义信息抽象为主题，提取关键字，将主题和关键字作为特征属性；将LDA模型生成的K个主题作为向量空间，堆叠成数据矩阵建立用户社交网络；利用基于密度的社区发现方法对用户社交网络进行社区划分，得到社区结构；基于图的整体结构计算社区结构中所有用户节点整体、局部影响力；融合所有用户节点整体、局部影响力进行影响力评估，得到所有用户节点影响力评分，将排在预设阈值前的用户节点作为意见领袖。该方法考虑因素的多样性保证了网络意见领袖挖掘的准确性和有效性。
-
公开(公告)号：CN112329473A
公开(公告)日：2021-02-05
申请号：CN202011126371.6
申请日：2020-10-20
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于话题影响力渗流的语义社交网络社区发现方法。步骤1：构造语义社交网络节点的语义空间坐标表示；步骤2：构造步骤1的同时构造基于渗流力学的话题影响力渗流微分方程；步骤3：根据步骤2的话题影响力渗流微分方程，求解话题影响力偏微分方程；步骤4：根据步骤3制定生成社区的博弈规则；步骤5：在步骤4的博弈规则选取话题影响力最大的种子节点作为影响力渗流的初始非均衡节点；步骤6：利用步骤4的博弈规则与步骤5的初始非均衡节点生成社交网络社区结构。现有方法仅以话题的相似性作为社区的生成标准会降低社区内部节点的一致性，社区内聚性略显不足。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.042 seconds)
