-
公开(公告)号：CN111754356A
公开(公告)日：2020-10-09
申请号：CN202010613871.6
申请日：2020-06-30
Abstract: 本发明涉及一种边符号预测方法、装置及设备，属于边符号预测技术领域，该发明中，使用深度学习技术从符号社交网络的复杂结构信息中抓取与边符号形成有关的非线性结构特征；同时，该发明还通过级联节点的出/入邻居结构来综合性地考虑边所涉及的“三角形”结构信息，扩展了平衡理论；最后，该发明还涉及了一个两层的神经网络架构来合理地融合平衡理论和地位理论，以此来更好地解决边符号预测任务。
-
公开(公告)号：CN111046239A
公开(公告)日：2020-04-21
申请号：CN201911174768.X
申请日：2019-11-26
IPC: G06F16/901 , G06Q50/00
Abstract: 本发明公开的一种基于邻居节点的社交网络负面消息封锁最大化方法，将正面消息源的选择范围集中在负面消息源的邻居节点中；并在邻居节点中选择封锁效果最好的K个节点作为正面消息源，然后让这些正面消息源传播正面消息，形成竞争机制，从而控制负面消息的传播，所以通过计算负面消息源邻居节点的威胁等级和影响力大小，然后选择威胁等级大、影响力最大的K个节点作为正面消息源，使得正面消息的影响力达到最大，进而最大程度的封锁负面消息的扩散。本发明在大型社交网络上也具有较好的可扩展性，快速并且最大程度的控制负面消息的扩散。根据此结果快速并且准确的进行舆论控制，以及市场营销中竞争商品的广告投放等工作。
-
公开(公告)号：CN111062419B
公开(公告)日：2023-06-02
申请号：CN201911174831.X
申请日：2019-11-26
IPC: G06F18/214 , G06F16/28 , G06F16/22
Abstract: 本发明公开了一种深度学习数据集的压缩和恢复方法，包括如下具体步骤：从原始数据集中获取元数据；根据最大中心影响力的元数据坐标和分类标签构造第三元数据进行数据压缩，得到压缩数据集；将所述压缩数据集中任意元数据根据权重、坐标和分类标签进行数据恢复，得到原始数据集。本发明提供了一种深度学习数据集的压缩和恢复方法，该方法的目的是减少深度学习数据集的大小，为了保证深度学习训练结果的正确性，本算法在压缩的前提下最大限度地保证了压缩后数据集表达的内容接近于压缩前数据集的表达内容，并且能够压缩的数据集进行恢复。
-
Patent Agency Ranking
公开(公告)号：CN111078820B
公开(公告)日：2023-04-25
申请号：CN201911174793.8
申请日：2019-11-26
Abstract: 本发明公开了一种基于权重符号社交网络嵌入的边权预测方法，采用权重符号社交网络嵌入方法(WSNE)，以此来获得更优的边权预测性能。WSNE为网络中的节点学习潜在特征表示，并且在学得的潜在特征空间中尽可能的保存边的权重和符号信息。本发明通过对边权值的预测，能够更精确的掌握用户之间的关系，进而提高朋友推荐，恶意用户检测之类任务的性能。本发明基于节点嵌入的思想进行权重符号社交网络中边权重预测，然后基于社会学中的结构平衡理论进行对预测权重进行符号约束，最终获得更加精准的关系判断。
-
公开(公告)号：CN111078820A
公开(公告)日：2020-04-28
申请号：CN201911174793.8
申请日：2019-11-26
Abstract: 本发明公开了一种基于权重符号社交网络嵌入的边权预测方法，采用权重符号社交网络嵌入方法(WSNE)，以此来获得更优的边权预测性能。WSNE为网络中的节点学习潜在特征表示，并且在学得的潜在特征空间中尽可能的保存边的权重和符号信息。本发明通过对边权值的预测，能够更精确的掌握用户之间的关系，进而提高朋友推荐，恶意用户检测之类任务的性能。本发明基于节点嵌入的思想进行权重符号社交网络中边权重预测，然后基于社会学中的结构平衡理论进行对预测权重进行符号约束，最终获得更加精准的关系判断。
-
公开(公告)号：CN111046239B
公开(公告)日：2023-10-10
申请号：CN201911174768.X
申请日：2019-11-26
IPC: G06F16/901 , G06Q50/00
Abstract: 本发明公开的一种基于邻居节点的社交网络负面消息封锁最大化方法，将正面消息源的选择范围集中在负面消息源的邻居节点中；并在邻居节点中选择封锁效果最好的K个节点作为正面消息源，然后让这些正面消息源传播正面消息，形成竞争机制，从而控制负面消息的传播，所以通过计算负面消息源邻居节点的威胁等级和影响力大小，然后选择威胁等级大、影响力最大的K个节点作为正面消息源，使得正面消息的影响力达到最大，进而最大程度的封锁负面消息的扩散。本发明在大型社交网络上也具有较好的可扩展性，快速并且最大程度的控制负面消息的扩散。根据此结果快速并且准确的进行舆论控制，以及市场营销中竞争商品的广告投放等工作。
-
公开(公告)号：CN112667920A
公开(公告)日：2021-04-16
申请号：CN202011608735.4
申请日：2020-12-29
IPC: G06F16/9536 , G06Q10/04 , G06N3/04
Abstract: 本发明涉及一种基于文本感知的社交影响力预测方法、装置及设备，属于社交网络分析技术领域，该方法通过在社交网络中，获取最小实例单元；基于网络学习技术，在最小实例单元中，提取特征信息；特征信息，可以包括：文本特征向量、结构特征向量、角色特征变量、状态特征变量；基于图神经网络编码器和多层感知解码器，对特征信息进行编码和解码，获取节点的预测结果。通过图神经网络编码器，借助于自我网络的结构，综合性地考虑了对中心节点的行为状态产生影响的网络拓扑结构信息、文本信息及影响力特征信息，建立起特征信息到节点的社交动作的映射，从而实现对社交影响力的预测。
-
公开(公告)号：CN111062419A
公开(公告)日：2020-04-24
申请号：CN201911174831.X
申请日：2019-11-26
Abstract: 本发明公开了一种深度学习数据集的压缩和恢复方法，包括如下具体步骤：从原始数据集中获取元数据；根据最大中心影响力的元数据坐标和分类标签构造第三元数据进行数据压缩，得到压缩数据集；将所述压缩数据集中任意元数据根据权重、坐标和分类标签进行数据恢复，得到原始数据集。本发明提供了一种深度学习数据集的压缩和恢复方法，该方法的目的是减少深度学习数据集的大小，为了保证深度学习训练结果的正确性，本算法在压缩的前提下最大限度地保证了压缩后数据集表达的内容接近于压缩前数据集的表达内容，并且能够压缩的数据集进行恢复。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.031 seconds)
