公开(公告)号：CN115168443B

公开(公告)日：2025-05-02

申请号：CN202210719478.4

申请日：2022-06-23

Applicant: 广东工业大学

Inventor： 郭炜彬 ,  陈家辉 ,  石林 ,  叶臻强 ,  黄浩楠

IPC: G06F16/2458 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明公开了一种基于GCN‑LSTM和注意力机制的异常检测方法及系统，涉及人工智能检测技术领域，包括以下步骤：S1.构建结合了GCN网络和LSTM网络的GCN‑LSTM模型，并构建基于GCN‑LSTM模型的序列重构模型；S2.对得到的序列重构模型进行训练和测试，得到测试好的序列重构模型；S3.将待检测数据序列以时序排列，输入训练好的序列重构模型中，生成重构序列；S4.构建误差序列，并将误差序列分为训练数据集和测试数据集两部分；S5.构建基于Copula函数的异常检测模型，并将训练数据集输入异常检测模型中进行训练；S6.将测试数据集输入训练好的异常检测模型，得到测试集异常序列数据检测结果。本发明解决了现有技术应用场景小、无法利用多维特征的问题，且具有结果准确，步骤清晰的特点。

公开(公告)号：CN115346688A

公开(公告)日：2022-11-15

申请号：CN202210973404.3

申请日：2022-08-15

Applicant: 广东工业大学

Inventor： 郭炜彬 ,  陈家辉 ,  邓盛永 ,  黄浩楠 ,  叶臻强

IPC: G16H70/40 ,  G16B50/30 ,  G16B40/00 ,  G16C20/30 ,  G16C20/50 ,  G16C20/70 ,  G16C20/90 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多关联图的微生物和药物关系的预测方法，通过过微生物‑药物关联数据库构建微生物‑药物的关联网络，并进一步得到互作用网络Net1、Net2和Net3；建立引入正则化的图神经网络模型，将Net1、Net2、Net3结合微生物‑药物的多模态属性图输入图神经网络模型得到嵌入表示Z1、Z2和Z3，并将嵌入表示Z1、Z2和Z3输入图神经网络中进行训练，得到训练好图神经网络；最后通过训练好的图神经网络模型预测微生物‑药物数据集中微生物‑药物关联作用。本发明构建了生物和药物的可解释的节点特征，并考虑了现有微生物‑药物关联数据集带来的稀疏性问题，大大提高了微生物‑药物关联作用的预测精度。

公开(公告)号：CN114219574B

公开(公告)日：2024-08-06

申请号：CN202111556654.9

申请日：2021-12-17

Applicant: 广东工业大学

Inventor： 叶臻强 ,  陈家辉 ,  万世成 ,  郭炜彬 ,  黎梓洋 ,  梁梓恩

IPC: G06Q30/0601 ,  G06F16/2458

Abstract: 本发明公开了一种基于加权频繁序列的商品组合挖掘方法，涉及大数据挖掘的技术领域，获取基于时间的商品交易的订单信息，组成商品数据集，根据商品的收益情况为每个商品赋予不同的权值，并依据商品权值大小，对多元项中包含的商品进行排序之后对商品进行加权频繁序列的挖掘；根据向下闭包特性，深度挖掘商品数据集中具有高收益和高频次的商品组合方式；根据先验性原理，从商品数据集中剔除不是加权频繁序列商品，减少候选组合方式的产生，提高挖掘效率。本发明在保证挖掘准确性的前提下拥有更高的挖掘效率，为商家提供更好的营销思路。

公开(公告)号：CN114219574A

公开(公告)日：2022-03-22

申请号：CN202111556654.9

申请日：2021-12-17

Applicant: 广东工业大学

Inventor： 叶臻强 ,  陈家辉 ,  万世成 ,  郭炜彬 ,  黎梓洋 ,  梁梓恩

IPC: G06Q30/06 ,  G06F16/2458

Abstract: 本发明公开了一种基于加权频繁序列的商品组合挖掘方法，涉及大数据挖掘的技术领域，获取基于时间的商品交易的订单信息，组成商品数据集，根据商品的收益情况为每个商品赋予不同的权值，并依据商品权值大小，对多元项中包含的商品进行排序之后对商品进行加权频繁序列的挖掘；根据向下闭包特性，深度挖掘商品数据集中具有高收益和高频次的商品组合方式；根据先验性原理，从商品数据集中剔除不是加权频繁序列商品，减少候选组合方式的产生，提高挖掘效率。本发明在保证挖掘准确性的前提下拥有更高的挖掘效率，为商家提供更好的营销思路。

公开(公告)号：CN115168443A

公开(公告)日：2022-10-11

申请号：CN202210719478.4

申请日：2022-06-23

Applicant: 广东工业大学

Inventor： 郭炜彬 ,  陈家辉 ,  石林 ,  叶臻强 ,  黄浩楠

IPC: G06F16/2458 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于GCN‑LSTM和注意力机制的异常检测方法及系统，涉及人工智能检测技术领域，包括以下步骤：S1.构建结合了GCN网络和LSTM网络的GCN‑LSTM模型，并构建基于GCN‑LSTM模型的序列重构模型；S2.对得到的序列重构模型进行训练和测试，得到测试好的序列重构模型；S3.将待检测数据序列以时序排列，输入训练好的序列重构模型中，生成重构序列；S4.构建误差序列，并将误差序列分为训练数据集和测试数据集两部分；S5.构建基于Copula函数的异常检测模型，并将训练数据集输入异常检测模型中进行训练；S6.将测试数据集输入训练好的异常检测模型，得到测试集异常序列数据检测结果。本发明解决了现有技术应用场景小、无法利用多维特征的问题，且具有结果准确，步骤清晰的特点。