-
公开(公告)号：CN106997474A
公开(公告)日：2017-08-01
申请号：CN201611244725.0
申请日：2016-12-29
Applicant: 南京邮电大学
CPC classification number: G06K9/6255 , G06K9/6256 , G06K9/6284 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的图节点多标签分类方法，首先加载图数据模块，解析图数据，使用字典的形式保存；生成游走路径模块，完成在图数据中的随机游走，返回生成游走路径；生成节点特征向量模块，将上一步返回的游走路径，以及指定的向量表示维数和上下文窗口大小作为输入，调用word2vec算法计算每一个图节点的特征向量表示；生成训练数据模块，从所有图节点中随机抽取一定百分比的节点作为训练节点数据，对于每一个节点，取其特征向量与该节点对应的标签序列组成二元组作为一个训练样本；最后构建深度置信网络模型。本发明提出的图节点多标签分类算法可以取得比传统的多标签分类算法更高的正确率。
-
公开(公告)号：CN106997373A
公开(公告)日：2017-08-01
申请号：CN201611244761.7
申请日：2016-12-29
Applicant: 南京邮电大学
CPC classification number: G06F16/958 , G06N3/08 , G06Q50/01
Abstract: 本发明公开了一种基于深度置信网络的链路预测方法，首先训练数据采集模块从给定网络结构中随机采样得到训练边集、验证边集和测试边集；网络结点特征表示模块在经过训练数据采集模块处理过的网络中，使用deepwalk算法生成每一个网络结点的特征表示；边特征表示生成模块完成对训练边集、验证边集和测试边集中的每一条边计算特征表示，为了符合深度置信网络对输入数据的要求，还需要对生成的边的特征向量进行归一化处理；最后深度置信网络训练模块构建深度置信网络结构，并加载训练边集、验证边集和测试边集进行训练。本发明可以取得比传统的链路预测算法更高的预测正确率，对各种结构特征的网络具有普适性。
-
公开(公告)号：CN106777284A
公开(公告)日：2017-05-31
申请号：CN201611245749.8
申请日：2016-12-29
Applicant: 南京邮电大学
IPC: G06F17/30
CPC classification number: G06F16/9024
Abstract: 本发明公开了一种基于标签信息的图游走表示方法，首先加载图数据，建立起每一个图结点对应的邻居结点和标签信息的数据结构，为图中每一个结点，计算该结点的邻居结点被游走到的概率值，实现从该结点的邻居结点中随机选择若干次，每个邻居结点被选中的概率符合计算得到的概率值；根据上一步得到的概率值以及其他游走参数，启动游走，得到若干条游走路径；根据游走路径进行训练，得到词向量，即每一个图结点的向量表示形式；对图结点进行多标签的分类任务，检验算法的分类效果。本发明通过生成的图结点的向量表示可以更加体现多标签分类任务中标签的特征信息，从而使得多标签分类的正确率随着参考标签信息指导游走的比例参数的增加而显著的提升。
-
-
Search Results
3
records
(took 0.015 seconds)
