-
公开(公告)号：CN104135495A
公开(公告)日：2014-11-05
申请号：CN201410421404.8
申请日：2014-08-25
Applicant: 南京财经大学
Abstract: 本发明公开了一种具有隐私保护的无中央机构的密文政策的属性基加密方法，包括初始化阶段，中央机构建立阶段，加密阶段，秘钥产生阶段和解密阶段。中央机构可以动态地加入或离开系统，而无需重新初始化系统或重新产生秘钥。在加密消息时，加密者可以为每一个中央机构选取一个访问控制结构，使得只有属性满足密文中所有访问控制结构的用户才能解密密文，得到明文。该方法不仅可以保护用户全域识别符和属性的隐私，而且可以实现灵活的访问控制结构。本发明是一种较强的具有隐私保护的无中央机构的属性基加密方法。
-
公开(公告)号：CN103810251A
公开(公告)日：2014-05-21
申请号：CN201410026939.5
申请日：2014-01-21
Applicant: 南京财经大学
CPC classification number: G06F17/30705
Abstract: 本发明涉及一种文本提取方法，所述方法包括：步骤一、预处理给定的网页的超文本传输协议html源码，以获取所述源码中的文本的字符串序列，所述字符串序列包含N个文本行；步骤二、提取所述字符串序列中每个文本行的特征元素，所述特征元素包含M个属性；步骤三、依据第一关联规则，确定所述字符串序列中的潜在正文行组成的潜在正文块，所示第一关联规则由所述特征元素中的所述M个属性确定。通过本发明实施例能够提高网页中文本块提取的准确度，提高搜索引擎的搜索效率和准确度。
-
公开(公告)号：CN103744933A
公开(公告)日：2014-04-23
申请号：CN201310746489.2
申请日：2013-12-31
IPC: G06F17/30
CPC classification number: G06Q50/01
Abstract: 本发明公开一种基于并行化模块度优化的社区发现方法，首先将包含N个节点的网络初始化为N个社区，即每个节点为一个独立的社区，并初始化每个社区“局域世界”中社区对的模块度增益；采用并行化的处理机制，从每个社团的“局域世界”中寻找具有最大模块度增益的社区对，将其合并为同一个社区，并对与新社区相连接的社区对的模块度增益进行更新；重复步骤二直到网络中的社区结构不发生改变。本发明采用贪婪算法对网络进行社区划分，通过使用并行的方式和高性能的数据结构，处理时间非常快。本发明适用于大规模稠密网络社区结构的自动检测，社交网络的好友推荐系统等诸多领域。
-
公开(公告)号：CN113674045B
公开(公告)日：2022-08-26
申请号：CN202110401328.4
申请日：2021-04-14
Applicant: 南京财经大学
IPC: G06Q30/06 , G06F16/903 , G06F17/11 , G06F17/16
Abstract: 本发明公开一种基于区间分割的电商水军识别方法，步骤是：使用Z‑score对初始数据进行标准化；计算出每个商品正确的评分区间，在该区间内的评分被认为是合理的，反之不合理；计算出各个用户评分的准确率和极差；计算出用户的各个评分到对应商品正确评分区间的距离和，并结合用户评分的准确率和极差，计算出来用户的信誉。最后，选择前N个低信誉用户作为水军。我们在三个数据集(MoiveLens、Netflix和Amazon)上测试了该方法，结果表明该方法在计算用户信誉和识别水军方面表现良好，具有较高的准确性和鲁棒性，且可扩展性强。
-
公开(公告)号：CN114511332A
公开(公告)日：2022-05-17
申请号：CN202111309484.4
申请日：2021-11-06
Applicant: 南京财经大学
Abstract: 本发明公开一种基于多层图卷积神经网络的电商反欺诈方法，步骤是：基于用户对商品的评论内容，获取用户评论内容特征和用户评论行为特征；将对同一商品进行评价的用户构造边，形成图结构，从而得到用户‑评论图结构；将连续登录评论超过七天的用户标记为高度怀疑欺诈用户，其余标记为普通用户；训练图卷积模型，学习图节点特征和图结构；使用训练好的图卷积模型对测试集进行识别，输出测试集预测结果；多次改变隐藏层神经元数目或激活函数，使用改变后的图卷积模型再次识别，输出预测结果；基于多次预测结果，将检测准确率最高的模型确定为最终的图卷积模型。此种方法能够实现对高度伪装的欺诈者的识别，提高对欺诈者的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN113886715A
公开(公告)日：2022-01-04
申请号：CN202111285010.0
申请日：2021-11-01
Applicant: 南京财经大学
IPC: G06F16/9536 , G06F16/901 , G06N3/04 , G06N3/08 , G06Q50/00
Abstract: 本发明涉及一种好友推荐方法及系统。所述好友推荐方法包括：根据现有的用户关系构建有向图，所述有向图的节点表征用户，获取每个节点的节点表征向量；根据节点的邻接关系，获取每个节点的PageRank中心性；根据节点的PageRank中心性和节点表征向量预测用户成为好友的概率对用户进行好友推荐。本申请提供的好友推荐方法可以很好的解决传统链路预测方法在节点表征过程中只考虑了低阶结构的缺陷，可以对表示用户的节点进行链路预测从而实现好友推荐的功能。
-
公开(公告)号：CN111275526B
公开(公告)日：2021-04-13
申请号：CN202010065827.6
申请日：2020-01-20
Applicant: 南京财经大学
Abstract: 本发明公开一种基于极差的电商水军识别方法，步骤是：计算初始状态下的商品质量，计算各个用户评分与商品质量的偏差；计算各用户的评分极差；基于偏差和评分极差，计算得到各个用户的用户信誉；将各用户信誉代入商品质量的计算公式中，得到对应的商品质量，进而得到新的用户信誉；计算用户信誉变化总和，若大于信誉变化阈值，则将新的用户信誉代入商品质量的计算公式中，得到对应的商品质量，直至用户信誉变化总和小于信誉变化阈值；若小于信誉变化阈值，则停止迭代；最后，选择前N个低信誉用户作为水军。此种方法对极端水军群组和随机水军群组的识别能力较优，在大数据下能够基本保证原有的识别能力，鲁棒性强，且其可拓展性强。
-
公开(公告)号：CN111242647A
公开(公告)日：2020-06-05
申请号：CN202010063701.5
申请日：2020-01-20
Applicant: 南京财经大学
IPC: G06Q30/00
Abstract: 本发明公开一种基于电商评论识别恶意用户的方法，步骤是：步骤1，构建三元组用于存储评分数据；步骤2，初始化所有用户的信誉；步骤3，计算各商品在各个评分下的带权群组大小；步骤4，计算不同商品中各群组的占比矩阵；步骤5，将占比矩阵映射到行和列分别对应用户和商品的矩阵中；步骤6，计算各用户所在群组占比的平均值和标准差，并计算用户评分的标准差；步骤7，根据步骤6得到的数据计算用户信誉；步骤8，基于步骤7得到的用户信誉，重复步骤3-7，然后计算两次用户信誉的差值，若大于阈值则继续迭代，直至小于或等于阈值；步骤9，将信誉最低的L个用户当作恶意用户。此种方法可提高筛选恶意用户的精确度，增大识别过程计算的稳定性。
-
公开(公告)号：CN105653704A
公开(公告)日：2016-06-08
申请号：CN201511026171.2
申请日：2015-12-31
Applicant: 南京财经大学
IPC: G06F17/30
CPC classification number: G06F17/30719
Abstract: 本发明涉及一种自动摘要生成方法及装置，包括:对文本进行建模，生成句网络图，句网络图包括边权值；根据边权值、文本中各句子的初始权重，计算文本中各句子的第一权重；根据词在各句子中的频率、词对应的句子的第一权重，计算出词权重；根据各词在各句子中的频率、各词的词权重，计算各句子的第二权重；根据第一权重和第二权重，计算各句子的最终权重；如果第N次迭代后的最终权重和第N-1次迭代后的最终权重差值小于预设阈值以及第N次迭代后的词权重和第N-1次迭代后的词权重差值小于预设阈值，生成自动摘要，解决了单个长文本摘要质量低下的问题，缓解了信息过载、提升了摘要质量。
-
公开(公告)号：CN111242647B
公开(公告)日：2021-04-13
申请号：CN202010063701.5
申请日：2020-01-20
Applicant: 南京财经大学
IPC: G06Q30/00
Abstract: 本发明公开一种基于电商评论识别恶意用户的方法，步骤是：步骤1，构建三元组用于存储评分数据；步骤2，初始化所有用户的信誉；步骤3，计算各商品在各个评分下的带权群组大小；步骤4，计算不同商品中各群组的占比矩阵；步骤5，将占比矩阵映射到行和列分别对应用户和商品的矩阵中；步骤6，计算各用户所在群组占比的平均值和标准差，并计算用户评分的标准差；步骤7，根据步骤6得到的数据计算用户信誉；步骤8，基于步骤7得到的用户信誉，重复步骤3‑7，然后计算两次用户信誉的差值，若大于阈值则继续迭代，直至小于或等于阈值；步骤9，将信誉最低的L个用户当作恶意用户。此种方法可提高筛选恶意用户的精确度，增大识别过程计算的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.023 seconds)
