-
公开(公告)号：CN106972967A
公开(公告)日：2017-07-21
申请号：CN201710195501.3
申请日：2017-03-29
Applicant: 国家计算机网络与信息安全管理中心 , 中国科学院声学研究所
CPC classification number: H04L41/147 , G06N20/00 , G06Q10/04 , H04L41/12
Abstract: 本发明提出了一种用于链路预测的深度学习降维方法和装置，该方法，包括：根据各个网络节点在设定时间段内的连接关系，确定每个网络节点的一级连接网络节点和二级连接网络节点；按照设定时长将所述设定时间段划分为多个时间片，并根据所述各个网络节点在每个时间片内的连接关系，确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系；根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系，通过深度学习算法模型，对所述各个网络节点进行链路预测。本发明减少输入到深度学习算法模型的数据量，减少学习训练时间并提高链路预测的准确性。
-
公开(公告)号：CN106972967B
公开(公告)日：2020-07-24
申请号：CN201710195501.3
申请日：2017-03-29
Applicant: 国家计算机网络与信息安全管理中心 , 中国科学院声学研究所
Abstract: 本发明提出了一种用于链路预测的深度学习降维方法和装置，该方法，包括：根据各个网络节点在设定时间段内的连接关系，确定每个网络节点的一级连接网络节点和二级连接网络节点；按照设定时长将所述设定时间段划分为多个时间片，并根据所述各个网络节点在每个时间片内的连接关系，确定出在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系；根据在每个时间片内每个网络节点与对应的一级连接网络节点和二级连接网络节点的连接关系，通过深度学习算法模型，对所述各个网络节点进行链路预测。本发明减少输入到深度学习算法模型的数据量，减少学习训练时间并提高链路预测的准确性。
-
公开(公告)号：CN106959967B
公开(公告)日：2019-11-19
申请号：CN201610018320.9
申请日：2016-01-12
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
IPC: G06F16/953 , H04L12/24 , H04L12/751
Abstract: 本发明提供了一种链路预测模型的训练方法，所述方法包括：步骤S1)对抓取网络数据进行预处理，将预处理后的网络数据提取训练集；步骤S2)对训练集构造的网络进行特征提取，将提取的特征组成特征集；所述特征包括：基于邻居的特征和基于网络游走的特征；步骤S3)对所述特征集用梯度迭代树模型进行特征转换，得到新的多维特征集；步骤S4)将特征集和新的多维特征集进行融合输入链路预测模型，训练得到所述链路预测模型的参数，从而得到训练完毕的链路预测模型。本发明的方法只需要从现有的特征集入手就能扩展特征集的数量；不需要再从网络中提取新的特征，极大地减少了特征提取难度；而且提升了模型的预测性能和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN106959967A
公开(公告)日：2017-07-18
申请号：CN201610018320.9
申请日：2016-01-12
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
IPC: G06F17/30 , H04L12/24 , H04L12/751
Abstract: 本发明提供了一种链路预测模型的训练方法，所述方法包括：步骤S1)对抓取网络数据进行预处理，将预处理后的网络数据提取训练集；步骤S2)对训练集构造的网络进行特征提取，将提取的特征组成特征集；所述特征包括：基于邻居的特征和基于网络游走的特征；步骤S3)对所述特征集用梯度迭代树模型进行特征转换，得到新的多维特征集；步骤S4)将特征集和新的多维特征集进行融合输入链路预测模型，训练得到所述链路预测模型的参数，从而得到训练完毕的链路预测模型。本发明的方法只需要从现有的特征集入手就能扩展特征集的数量；不需要再从网络中提取新的特征，极大地减少了特征提取难度；而且提升了模型的预测性能和鲁棒性。
-
公开(公告)号：CN108270608A
公开(公告)日：2018-07-10
申请号：CN201710004638.6
申请日：2017-01-04
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
IPC: H04L12/24
Abstract: 本发明提供了一种链路预测模型的建立方法，所述链路预测模型包括：时序受限玻尔兹曼机模型和梯度提升决策树模型；所述方法包括：从互联网或其它多媒体中抓取大量的网络数据，对网络数据进行预处理，将网络数据划分为历史数据和现有数据，输入时序受限玻尔兹曼机模型，训练出模型参数；提取网络数据节点对的网络拓扑特征，形成特征集并输入梯度提升决策树模型，训练出模型参数；所述链路预测模型包括训练好的时序受限玻尔兹曼机模型和梯度提升决策树模型。基于该方法建立的链路预测模型，本发明还提供了一种链路预测方法，该方法能够预测网络下一状态的所有链接。
-
公开(公告)号：CN110020379B
公开(公告)日：2021-02-09
申请号：CN201810008394.3
申请日：2018-01-04
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
Inventor： 李太松
IPC: G06F16/958 , G06N3/08
Abstract: 本发明公开了一种基于深度动态网络嵌入表示模型的链路预测方法，所述方法包括：步骤1)构建深度动态网络嵌入表示模型；步骤2)从互联网抓取大量的网络数据，对网络数据进行预处理；步骤3)按一定时间长度将网络数据划分为时间片，每个时间片下构造网络图G＝{Gt‑N,…,Gt‑1,Gt}，将G用时序邻接矩阵表达为X＝{Xt‑N,…,Xt‑1,Xt}；步骤4)将{Xt‑N,…,Xt‑1}输入深度动态网络嵌入表示模型，其中{Xt‑N,…,Xt‑2}作为训练样本的X，{Xt‑1}为训练样本的y值，多次迭代并用随机梯度下降法训练深度动态网络嵌入表示模型；步骤5)时间窗往前移动一个单位，将{Xt‑N,…,Xt‑1}输入深度动态网络嵌入表示模型，输出为t时刻的网络连接矩阵Xt。
-
公开(公告)号：CN108270608B
公开(公告)日：2020-04-03
申请号：CN201710004638.6
申请日：2017-01-04
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
IPC: H04L12/24
Abstract: 本发明提供了一种链路预测模型的建立方法，所述链路预测模型包括：时序受限玻尔兹曼机模型和梯度提升决策树模型；所述方法包括：从互联网或其它多媒体中抓取大量的网络数据，对网络数据进行预处理，将网络数据划分为历史数据和现有数据，输入时序受限玻尔兹曼机模型，训练出模型参数；提取网络数据节点对的网络拓扑特征，形成特征集并输入梯度提升决策树模型，训练出模型参数；所述链路预测模型包括训练好的时序受限玻尔兹曼机模型和梯度提升决策树模型。基于该方法建立的链路预测模型，本发明还提供了一种链路预测方法，该方法能够预测网络下一状态的所有链接。
-
公开(公告)号：CN110020379A
公开(公告)日：2019-07-16
申请号：CN201810008394.3
申请日：2018-01-04
Applicant: 中国科学院声学研究所 , 北京中科信利技术有限公司
Inventor： 李太松
IPC: G06F16/958 , G06N3/08
Abstract: 本发明公开了一种基于深度动态网络嵌入表示模型的链路预测方法，所述方法包括：步骤1)构建深度动态网络嵌入表示模型；步骤2)从互联网抓取大量的网络数据，对网络数据进行预处理；步骤3)按一定时间长度将网络数据划分为时间片，每个时间片下构造网络图G＝{Gt-N,…,Gt-1,Gt}，将G用时序邻接矩阵表达为X＝{Xt-N,…,Xt-1,Xt}；步骤4)将{Xt-N,…,Xt-1}输入深度动态网络嵌入表示模型，其中{Xt-N,…,Xt-2}作为训练样本的X，{Xt-1}为训练样本的y值，多次迭代并用随机梯度下降法训练深度动态网络嵌入表示模型；步骤5)时间窗往前移动一个单位，将{Xt-N,…,Xt-1}输入深度动态网络嵌入表示模型，输出为t时刻的网络连接矩阵Xt。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.044 seconds)
