-
公开(公告)号：CN118797351A
公开(公告)日：2024-10-18
申请号：CN202411029057.4
申请日：2024-07-30
Applicant: 杭州电子科技大学
IPC: G06F18/214 , G06F18/24 , G06N3/042 , G06N3/084
Abstract: 本发明公开了一种结合邻域结构的两阶段溯源方法及系统，该方法首先利用信息传播模型进行仿真实验，生成带有标签的传播数据集，并划分为训练集和测试集。其次基于训练集，利用归一化的邻接矩阵构建节点特征，并基于子图GCN学习得到节点特征的节点表征。然后基于节点表征，设计两阶段源定位策略：第一阶段检测当前被感染或以前处于感染状态的节点，第二阶段则在检测到的节点中推断源。最后基于两阶段源定位策略中的损失函数，设计总损失函数，进行训练优化，并通过测试集进行验证测试。本发明解决在溯源问题忽视邻域内的互动的问题，为社交网络中的传播溯源提供了高效且准确的方法。
-
公开(公告)号：CN117522613A
公开(公告)日：2024-02-06
申请号：CN202311480084.9
申请日：2023-11-08
Applicant: 杭州电子科技大学
IPC: G06Q50/00 , G06F16/9536 , G06F16/9535 , G06N5/04 , G06N20/00
Abstract: 本发明公开了一种基于用户嵌入与朋友群体嵌入联合学习的信息传播系统。本发明在信息级联中将用户及其朋友群体嵌入到潜在空间中，以提取比经典表征学习方法更准确的传播概率。根据用户的行为，本发明将用户的各个朋友分为不同的影响群体，并使用高斯混合模型对其建模，得到群体嵌入。通过用户嵌入捕捉网络中用户传播关系之间的规律性，通过群体嵌入捕捉用户朋友之间的行为相关性。最后，本发明将两种嵌入与传播模型相结合，联合优化模型的参数，从而提高传播模型的准确性。使用本发明的模型能提高对用户行为预测的准确性。
-
公开(公告)号：CN116610995A
公开(公告)日：2023-08-18
申请号：CN202310552165.9
申请日：2023-05-17
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/214 , G06N3/042
Abstract: 本发明公开了一种基于图机器学习的级联流行度预测方法，包括如下步骤：S1、导入原始数据集，划分为训练集和测试集，并定义级联数据；S2、通过基于自增强的数据强化算法生成新的级联数据；S3、通过图表示学习算法对级联传播网络中的用户进行网络嵌入，得到每个用户的网络嵌入，即为每一个用户节点生成一个低维的嵌入向量；S4、设计计算级联流行度的损失函数，从而构建级联流行度预测模型，通过所述训练集对基于对比学习的级联流行度预测模型进行训练，S5、将所述测试集输入经训练的级联流行度预测模型中，通过经训练后的级联流行度预测模型得到级联的流行度预测结果。该方法是一种端到端的新框架，可以同时对信息级联的内部与外部属性进行建模。
-
Patent Agency Ranking
公开(公告)号：CN118333093A
公开(公告)日：2024-07-12
申请号：CN202410758751.3
申请日：2024-06-13
Applicant: 杭州电子科技大学
Abstract: 本发明提供基于隐式多时间尺度的序列推荐方法，能够获得更加准确的推荐结果。所述推荐方法包括：依据用户兴趣的动态变化程度不同，引入带时钟频率的循环神经元层，为循环神经网络隐层神经元分组；对隐层神经元分组信息，通过设计对隐层神经元的不同分区更新频率不同，抽取多个时间尺度下的用户兴趣特征；对多个时间尺度下的用户兴趣特征，通过尺度维卷积层，建模对不同时间尺度的用户兴趣特征表示的依赖关系，进而生成多时间尺度用户兴趣特征的统一表示；对多个时间尺度下用户兴趣特征的统一表示，采用全连接层建模统一的多尺度用户兴趣特征表示与项目的隐式特征之间的关系，预测用户感兴趣的项目。
-
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
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。
-
公开(公告)号：CN118735052A
公开(公告)日：2024-10-01
申请号：CN202410823213.8
申请日：2024-06-25
Applicant: 杭州电子科技大学
IPC: G06Q10/04 , G06Q50/00 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于宏微观动力学的多尺度信息传播预测方法，该方法首先读取用于信息传播预测的数据集的社交网络构建社交图，利用图卷积网络学习社交图中的用户社交结构特征。其次读取数据集中的信息级联序列，构建传播时序图和传播超图，分别利用宏微观动力学嵌入和超图神经网络，得到局部和全局传播特征。然后将局部传播特征和全局传播特征作为传播特征解耦模块的输入。最后将传播特征解耦模块的两个输出，分别作为两个线性层的输入进行预测，预测出下一时刻用户的感染概率和级联的大小，并计算出对应的任务损失。本发明基于复杂网络动力学理论原理，实现了对社交网络信息传播动态的精准预测。
-
公开(公告)号：CN117423466A
公开(公告)日：2024-01-19
申请号：CN202311480078.3
申请日：2023-11-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于表型的疾病进展网络建模与预测系统。本发明包括疾病进展网络和级联定义模块：将记录在EHR中的每种疾病和药物表示为节点，疾病进展关系表示为边，构建疾病进展网络；将记录在EHR中的诊断事件和处方药物事件表示为级联顺序序列，构建疾病进展级联；PhenoICM模块：实现基于表型的疾病进展网络建模，设每种疾病都存在由父疾病节点和父药物节点组成的不同表型，对父疾病节点和父药物节点属于哪种表型的表型概率和该表型的疾病进展概率联合建模，通过模型判断是否有特定疾病；两级EM算法模块：以统一的方式估计疾病进展概率和驱动疾病进展的潜在表型概率。本发明能够提取针对特定疾病的表型，且在进行疾病预测时实现更高的准确性。
-
公开(公告)号：CN116629420A
公开(公告)日：2023-08-22
申请号：CN202310571037.9
申请日：2023-05-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种结合级联增长模式和用户潜在影响的扩散预测方法，一种结合级联增长模式和用户潜在影响的扩散预测方法，包括如下步骤：S1、通过重构社交网络结构获取静态用户特征；S2、将级联序列与静态用户特征相结合；S3、将静态用户特征模块获取到的静态用户特征取出，将信息传播过程中历史用户的动态特征传递给邻居用户，提高历史用户的动态特征与邻居用户的接收者特征的相似度，将所有用户的静态特征与特征融合模块获得的整个级联的特征计算相似度，预测未来用户参与信息传播的概率，该方法通过捕获用户在社交网络结构中的信息，建模用户在信息传播过程中的动态特征，并将两者结合，完成对未来信息传播方向的预测。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.033 seconds)
