-
公开(公告)号：CN118981690A
公开(公告)日：2024-11-19
申请号：CN202411005624.2
申请日：2024-07-25
Applicant: 东南大学
IPC: G06F18/2413 , G06F18/241 , G06F18/22 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种面向多维度语义对象的深度度量学习方法，至少包括两个学习阶段；第一学习阶段中：同时计算两组隐特征向量，其中一组用于学习每个维度内独特的相似度度量，另一组用于学习跨维度的共有相似度度量；第二学习阶段中：使用注意力模块结合第一学习阶段学到的两组隐特征向量，进一步学习每个维度特有的相似度度量，通过共有度量考虑维度相关性信息，输出每个维度专属的隐特征表示，最后采用5近邻分类准则为多维度语义对象进行分类。本发明方法进一步提高多维度语义对象分类模型的分类性能与泛化能力。
-
公开(公告)号：CN112767186B
公开(公告)日：2022-11-18
申请号：CN202110104165.3
申请日：2021-01-26
Applicant: 东南大学
Abstract: 本发明实现了一种基于7‑子图拓扑结构的社交网络链接预测方法。首先，根据“三度影响力原则”和“六度分隔理论”，提出一种用包含7个节点的子图表示网络局部拓扑结构的方法。然后，基于优化节点配置文件的方法进行子图的特征抽取，具体而言，计算得到任意一个7‑子图的地址，并将其作为特征向量的一个维度，然后将社交网络中形成链接的节点对作为正例，未形成链接的节点对作为反例，并采用监督学习方法训练链接预测模型。同时，采用重叠社区发现算法将网络分成多个社区，并假定只有社区内的节点对才会形成链接，从而限定了节点对选择范围，降低了链接预测方法的复杂度。该链接预测方法在准确率上优于传统基于拓扑结构的链接预测方法。
-
公开(公告)号：CN112767186A
公开(公告)日：2021-05-07
申请号：CN202110104165.3
申请日：2021-01-26
Applicant: 东南大学
Abstract: 本发明实现了一种基于7‑子图拓扑结构的社交网络链接预测方法。首先，根据“三度影响力原则”和“六度分隔理论”，提出一种用包含7个节点的子图表示网络局部拓扑结构的方法。然后，基于优化节点配置文件的方法进行子图的特征抽取，具体而言，计算得到任意一个7‑子图的地址，并将其作为特征向量的一个维度，然后将社交网络中形成链接的节点对作为正例，未形成链接的节点对作为反例，并采用监督学习方法训练链接预测模型。同时，采用重叠社区发现算法将网络分成多个社区，并假定只有社区内的节点对才会形成链接，从而限定了节点对选择范围，降低了链接预测方法的复杂度。该链接预测方法在准确率上优于传统基于拓扑结构的链接预测方法。
-
-
Search Results
3
records
(took 0.017 seconds)
