-
公开(公告)号：CN114742564A
公开(公告)日：2022-07-12
申请号：CN202210449853.8
申请日：2022-04-27
Applicant: 大连理工大学
Abstract: 本发明属于人工智能领域，提出一种融合复杂关系的虚假评论者群体检测方法，用于在线交易平台上的虚假评论群体检测。本方法包括节点表征更新、模型训练和虚假评论群体检测三个阶段。本方法将训练好的模型应用在真实数据集下，既能识别出虚假评论者，也可以很好地将虚假评论者群体与正常评论者区分。本方法基于节点的复杂关系特征，充分利用评论者间有价值的关系信息，将嵌入过程与聚类检测过程整合，获得一种以目标为导向的虚假评论者群体检测模型，同时可以克服现有群体检测方法存在的普适性差、检测效果低下等问题。
-
公开(公告)号：CN114692867A
公开(公告)日：2022-07-01
申请号：CN202210293116.3
申请日：2022-03-24
Applicant: 大连理工大学
Abstract: 本发明属于网络表示学习领域，公开了一种结合高阶结构和注意力机制的网络表示学习算法，考虑到网络中的不同的高阶结构对于网络的适用性，可以自适应学习不同类型的网络数据，缓解了网络表示学习中没有考虑到高阶结构的适用性造成的性能次优问题。首先进行数据准备和数据预处理；其次，利用图卷积网络层分别提取数据的属性特征和结构特征；接着利用注意力机制学习属性特征和结构特征的相似性，并根据相似性聚合网络中每个节点邻域的表示；然后，利用图卷积操作转换为下游任务的表示；最后，利用损失函数持续更新算法模型的参数，直到得到最优的算法模型，获得高效的网络表示，可以应用于垃圾邮件识别，假新闻检测和疾病预测。
-
公开(公告)号：CN114611630A
公开(公告)日：2022-06-10
申请号：CN202210366187.1
申请日：2022-04-08
Applicant: 大连理工大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06F40/216
Abstract: 本发明属于图挖掘技术领域，公开了一种基于集成学习和多层DropNode传播的节点分类方法。本发明包括如下步骤：首先，获取实验所需要使用的数据集，包括Cora、Citeseer、Pubmed三个数据集；然后，针对图数据，执行多层DropNode传播；接着，将多层DropNode传播获得的矩阵送入多层感知机(MLP模型)中进行预测，获得分类结果；再集成多个模型的分类结果；然后，计算监督损失和集成学习损失；最后，验证模型的鲁棒性和过平滑性。本发明通过半监督节点方法的实施，有效地提高了节点分类的准确率，同时很好地缓解了大多数图神经网络面临的不鲁棒和过平滑的问题。
-
公开(公告)号：CN112291356B
公开(公告)日：2022-01-04
申请号：CN202011200979.9
申请日：2020-11-02
Applicant: 大连理工大学
IPC: H04L67/1097 , H04L67/562 , H04L9/40 , H04L9/06 , H04L9/08 , G06F16/13 , G06F16/182 , G06F21/60 , G06F21/62 , G06F21/64
Abstract: 本发明涉及分布式存储技术领域，提供一种基于CNFS协议的自验证可变名称分布式存储方法，包括：步骤100，基于CNFS协议的文件系统，上传用户节点生成CNFS节点信息；步骤200，上传用户节点A分配可变命名空间，由之前生成的节点信息作为地址名称，向域名服务器系统中添加域名，上传文件并将其索引到自己的命名空间上；步骤300，访问用户节点获取文件对象，通过检测签名是否与公钥和上传用户节点信息匹配，从而验证上传用户节点发布对象的真实性；步骤400，访问用户节点解析上传用户节点命名空间下发布的数据哈希值，并向存储节点发起对应数据哈希的下载请求。本发明有效的减少网络负担，并提高系统扩展性。
-
公开(公告)号：CN110224847A
公开(公告)日：2019-09-10
申请号：CN201810408325.1
申请日：2018-05-02
Applicant: 腾讯科技(深圳)有限公司 , 大连理工大学
Abstract: 本发明实施例公开了一种基于社交网络的社团划分方法、装置、存储介质及设备，属于计算机技术领域。所述方法包括：获取根据社交网络中的节点生成的拓扑结构信息；获取模体的生成条件，所述模体是由至少三个连通的节点组成的切割单元；从所述社交网络中选择满足所述生成条件的各组节点，生成每组节点对应的模体；根据所述拓扑结构信息计算各个所述模体的传导率，所述传导率用于指示所述模体之间的连通性；根据各个所述模体的传导率对所述社交网络进行切割，得到各个社团。本发明实施例将由至少三个连通的节点组成的模体作为社交网络的切割单元，可以提高社团划分的效率。
-
Patent Agency Ranking
公开(公告)号：CN109657122A
公开(公告)日：2019-04-19
申请号：CN201811500188.0
申请日：2018-12-10
Applicant: 大连理工大学
IPC: G06F16/951 , G06F16/35
Abstract: 本发明公开了一种基于学术大数据的学术团队重要成员识别方法，从度中心性、H因子以及学术年龄的角度识别团队领导者，并首次使用基于PageRank方法的DHRank模型来评估并标记团队关键成员。为了合理地进行团队聚类，本发明在进行以领导者为中心的基于最短路径的团队聚类后，使用基于团队规模比较和领导者H因子比较的方法来对聚类结果进行了进一步的完善，有助于提高后期使用DHRank模型识别关键成员的结果的准确性。相比其他方法，本发明提出的方法在发现有影响力学者方面更加准确，并且拥有更低的运算时间复杂度。本发明提供了学术团队中识别领导者和关键者的一种新方法，为学术网络中的团队科学研究提供了一种新的解决方案。
-
公开(公告)号：CN118966347B
公开(公告)日：2025-02-11
申请号：CN202411449013.7
申请日：2024-10-17
Applicant: 大连理工大学 , 广州九富信息科技有限公司
IPC: G06N5/022 , G06N3/0499 , G06N3/0895
Abstract: 一种基于邻域语义增强的多模态知识图谱补全方法，属于多模态知识图谱领域。具体来说，首先设计邻域语义增强模块，将不同邻域信息融合至中心实体的表示之中，增强模型的语义表达能力。然后，利用跨模态注意力机制，捕获不同模态间信息的相互作用与共同语义特征，实现邻域引导特征的学习。再根据基于对比学习方法比较正负样本间的相似性与差异性，学习更丰富的实体表示，最终改善多模态知识图谱补全结果。
-
公开(公告)号：CN116687425A
公开(公告)日：2023-09-05
申请号：CN202310667953.2
申请日：2023-06-07
Applicant: 大连理工大学
IPC: A61B5/372 , A61B5/369 , A61B5/00 , G06F18/2415 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/0442 , G06N3/084
Abstract: 本发明属于图嵌入领域，公开了一种基于图表示学习模型的EEG数据分类方法，包括：步骤100，构建测地距离矩阵和基于功率谱密度特征的谱相干性生成的邻接矩阵；步骤200，根据测地距离矩阵和基于功率谱密度特征的谱相干性生成的邻接矩阵计算自适应邻接矩阵，并且获取EEG数据的功率谱密度作为输入的节点特征；步骤300，将脑功能网络进行多通道注意力卷积，获得最终的模型参数，实现对EGG的分类。本发明采用了全局注意力池化机制对节点特征进行粗化，实现整图的嵌入。根据整图分类任务，使用构建损失函数进行图卷积训练，反向传播损失，更新参数和嵌入。最后使用得到的模型实现EGG更准确的分类任务。
-
公开(公告)号：CN110096623A
公开(公告)日：2019-08-06
申请号：CN201910293712.X
申请日：2019-04-12
Applicant: 大连理工大学
IPC: G06F16/901
Abstract: 本发明公开了一种高效计算模体数量的方法，利用网络结构、模体的子图特征和组合关系实现对低阶模体的高效计数。本发明将多种传统算法思想相结合，利用邻域交集计数方法和模体组合思想高效计算三阶和四阶模体的数量；本发明基于无向同构图简单结构的建立思想，简单扩展后可用于有向同构图和异构图。本发明所提出的方法适合处理大规模图结构，实现准确高效的模体计数。
-
公开(公告)号：CN109492133A
公开(公告)日：2019-03-19
申请号：CN201811362589.4
申请日：2018-11-16
Applicant: 大连理工大学
IPC: G06F16/901
Abstract: 本发明属于图挖掘技术领域，提供了一种基于motif和网络嵌入的链路预测方法，首先依据更高阶网络结构motif重新定义节点的一阶和二阶相似性；然后设计参数共享的多编码器模型，如图所示。该模型每次输入一个motif内所有节点的邻居信息，并在产生的向量表示处添加一阶相似性约束条件，即最小化一个motif内两两节点的嵌入向量的欧式距离。为了防止模型在训练时过拟合，该方法设计了一种基于motif的负采样方法，其目的在于在有噪声的情况下辨别出哪些节点可以组成一个motif。该方法打破了以往为链路预测所设计的网络嵌入方法只考虑了成对的节点相似性，表明了网络更高阶结构对链路预测的有益性。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.033 seconds)
