公开(公告)号：CN118861794A

公开(公告)日：2024-10-29

申请号：CN202410746123.3

申请日：2024-06-11

Applicant: 杭州电子科技大学

Inventor： 焦鹏飞 ,  余凯妍 ,  高梦州 ,  赵治栋

IPC: G06F18/241 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0895 ,  G06F18/23 ,  G06F18/21

Abstract: 本发明公开基于图对比学习的引文网络分类方法。本发明对原始引文网络进行数据增强，得到增强引文网络；将原始引文网络和增强引文网络分别输入至两个共享参数的GNN编码器，再经过节点鉴别器，获得原始引文网络节点和增强引文网络节点的分数，通过节点鉴别损失进行训练，将原始引文网络节点和增强引文网络节点区分开；计算原始引文网络和增强引文网络之间进行差异学习和局部—全局对比学习。本发明通过引入图对比学习方法，显著提高了引文网络学术文献分类的准确率，并使模型更具泛化性和鲁棒性。本发明强调了精确差异学习，有助于改善特征表示、处理噪声标签和更好地理解文献之间的关系，从而提高分类性能。

公开(公告)号：CN119202713A

公开(公告)日：2024-12-27

申请号：CN202411223180.X

申请日：2024-09-03

Applicant: 杭州电子科技大学

Inventor： 焦鹏飞 ,  余凯妍 ,  鲍青 ,  赵治栋

IPC: G06F18/214 ,  G06F18/20 ,  G06F18/22 ,  G06F18/241 ,  G06N3/042 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/088 ,  G06N3/09

Abstract: 本发明公开了基于语义感知进行正样本采样的引文网络分类方法及系统，该方法首先构建原始引文网络，分别进行两次数据增强，得到两个增强引文网络。其次将两个增强引文网络输入至一个GNN编码器，得到增强引文网络的节点表示矩阵H。然后选择拓扑方面的正样本对和特征方面的正样本对。最后将两方面得到的正样本对取交集得到正对集合，并计算负对集合，利用正负样本对在H中对应的节点表示计算对比损失函数，进行训练优化，将优化后的H输入分类器中，得到引文网络分类结果。本发明有效改善了图对比学习的整体性能，使得模型在引文网络分类时更加高效、准确。