-
公开(公告)号：CN113918722B
公开(公告)日：2024-08-02
申请号：CN202111343981.6
申请日：2021-11-14
Applicant: 北京工业大学
IPC: G06F16/35 , G06F18/2136 , G06F18/23213 , G06N3/042 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了面向引文网络数据的基于稀疏图学习的图卷积聚类方法，该方法在图卷积网络的每个图卷积层前面嵌入了一个稀疏图结构学习层，挖掘高维数据中的低维结构从而构建更优的图结构。在模型优化时，交替更新图结构和节点表示，减少不准确的图结构对图卷积网络带来的负影响，最终对得到的节点表示执行K‑Means获得最终的聚类结果。相比于现有的固定图结构的图卷积深度聚类方法，不断更新的图结构对边攻击更加鲁棒。本发明从节点表示中学习自适应图来提高原始图结构的质量。所使用的持续更新的图结构可以有效地帮助生成更全面和更具有判别性的节点特征。最后，逐层交替的更新图结构和节点表示可以有效缓解图卷积网络中过平滑的问题。
-
公开(公告)号：CN113869404A
公开(公告)日：2021-12-31
申请号：CN202111136030.1
申请日：2021-09-27
Applicant: 北京工业大学
Abstract: 面向论文网络数据的自适应图卷积聚类方法适用于数据挖掘领域。该方法首次将自适应图卷积网络应用到深度图卷积聚类任务中，自适应的更新图结构并学习最优的数据表示；其次，该方法创造性地提出了一个基于注意力机制的融合模块，逐层加权融合两个并行网络的数据表示，同时有效缓解了图卷积网络的过平滑的问题。该方法的提出，主要解决的技术问题包括所有样本之间内在结构的挖掘，确保模型能够捕获更完整的数据结构信息，避免不准确的图结构对聚类性能产生的负影响，以及异构信息的有效融合。
-
Patent Agency Ranking
公开(公告)号：CN118211093A
公开(公告)日：2024-06-18
申请号：CN202410292798.5
申请日：2024-03-14
Applicant: 北京工业大学
IPC: G06F18/2323 , G06F18/22 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开一种基于生成图结构匹配的混合模态聚类方法及装置，利用自编码器模块将混合模态数据投影到不同的特征空间，计算不同模态数据的特征矩阵；建立不同模态特征空间之间的双向映射，生成缺失模态的伪表示；构建同一模态中现有表示和伪表示之间的模态内二分图，指导缺失模态数据的特征表示生成，获得数据完整的模态信息；在此基础上为每个模态构建一个单独的图，通过执行图卷积运算捕获样本之间的全局结构，采用图匹配机制，实现异质模态特征对齐；因此能够在没有成对模态数据的情况下生成缺失模态信息，对齐异质模态数据特征，将缺失模态生成和异质模态对齐整合到统一的框架中，有效挖掘混合模态数据之间的内在相关性，取得更好的聚类结果。
-
公开(公告)号：CN115952293A
公开(公告)日：2023-04-11
申请号：CN202211249317.X
申请日：2022-10-12
Applicant: 北京工业大学
IPC: G06F16/36 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 基于虚拟状态嵌入的知识图谱补全方法及装置，引入虚拟状态嵌入作为实体和关系间的过渡，以减少实体和关系之间巨大的语义差距，从而提高链接预测性能。为了实现上述过程，本发明提出了差分聚合模块，该模块通过双信息对偶传播的方式对实体、关系和虚拟状态嵌入进行交互，以动态地传递它们之间的信息，因此能够减少实体和关系间的巨大语义差距，达到信息交互的目的。
-
公开(公告)号：CN113869404B
公开(公告)日：2024-05-28
申请号：CN202111136030.1
申请日：2021-09-27
Applicant: 北京工业大学
IPC: G06F18/23 , G06F18/25 , G06F18/22 , G06N3/0464 , G06N3/042 , G06N3/0455 , G06N3/08
Abstract: 面向论文网络数据的自适应图卷积聚类方法适用于数据挖掘领域。该方法首次将自适应图卷积网络应用到深度图卷积聚类任务中，自适应的更新图结构并学习最优的数据表示；其次，该方法创造性地提出了一个基于注意力机制的融合模块，逐层加权融合两个并行网络的数据表示，同时有效缓解了图卷积网络的过平滑的问题。该方法的提出，主要解决的技术问题包括所有样本之间内在结构的挖掘，确保模型能够捕获更完整的数据结构信息，避免不准确的图结构对聚类性能产生的负影响，以及异构信息的有效融合。
-
公开(公告)号：CN116304756A
公开(公告)日：2023-06-23
申请号：CN202310183587.3
申请日：2023-03-01
Applicant: 北京工业大学
IPC: G06F18/23 , G06F18/22 , G06F18/2413 , G06N3/048 , G06N3/08 , G06N3/0464 , G06F16/35
Abstract: 本发明公开了一种面向引文数据聚类的多图卷积聚类方法，构造蕴含原始数据底层结构信息的K最近邻图，为了提取原始数据的底层结构信息，对每一个样本数据，将计算样本数据与不同样本数据之间的余弦相似度。基于构建K最近邻图，获取到原始数据的底层结构信息，用自编码模块增强的数据表证，引入更多已经构建的关系图；经过多图卷积模块，得到了经过不同图卷积操作的特征表示。受到自注意力机制的启发，寻求在每一个节点之间学习相对应的自适应权重。通过融合各个视图的信息来获得丰富的判别信息，同时使得聚类效果得到提升。本发明通过利用多图数据，降低了对单图质量的依赖性，与现有的图卷积聚类方法相比，模型更具鲁棒性。
-
公开(公告)号：CN113918722A
公开(公告)日：2022-01-11
申请号：CN202111343981.6
申请日：2021-11-14
Applicant: 北京工业大学
Abstract: 本发明公开了面向引文网络数据的基于稀疏图学习的图卷积聚类方法，该方法在图卷积网络的每个图卷积层前面嵌入了一个稀疏图结构学习层，挖掘高维数据中的低维结构从而构建更优的图结构。在模型优化时，交替更新图结构和节点表示，减少不准确的图结构对图卷积网络带来的负影响，最终对得到的节点表示执行K‑Means获得最终的聚类结果。相比于现有的固定图结构的图卷积深度聚类方法，不断更新的图结构对边攻击更加鲁棒。本发明从节点表示中学习自适应图来提高原始图结构的质量。所使用的持续更新的图结构可以有效地帮助生成更全面和更具有判别性的节点特征。最后，逐层交替的更新图结构和节点表示可以有效缓解图卷积网络中过平滑的问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
