-
公开(公告)号：CN116155755B
公开(公告)日：2024-04-26
申请号：CN202310142125.7
申请日：2023-02-21
Applicant: 湖南大学
IPC: H04L41/147 , H04L41/14 , H04L41/12 , G06F16/9536 , G06Q50/00 , G06F18/241 , G06N3/048
Abstract: 本发明公开了一种基于线性优化封闭子图编码的链路符号预测方法，获取待预测网络并预处理，得到训练集样本和测试集样本；从训练集样本或测试集样本中任取一条边作为待预测边并提取相应的封闭子图，对封闭子图进行粗粒度加权，得到预加权邻接矩阵，再进行细粒度的线性优化加权，得到三个似然矩阵，对三个似然矩阵进行处理和拼接，得到待预测边对应的向量；遍历训练集样本和测试集样本中的所有边，重复上述方法，相应得到多个向量；将多个向量输入至训练后的全连接神经网络二分类器，经过处理，输出链路符号预测得分，从而得到待预测边的符号预测结果。该方法可以直接、简单地对封闭子图中的节点排序，链路符号预测效果更好。
-
公开(公告)号：CN116192650B
公开(公告)日：2024-04-30
申请号：CN202310142106.4
申请日：2023-02-21
Applicant: 湖南大学
IPC: H04L41/12 , H04L41/147 , G06N3/08 , G06F18/214 , G06F18/24 , G06N3/0455
Abstract: 本发明公开了一种基于子图特征的链路预测方法，获取待预测网络并进行预处理，得到无方向无权重的待预测网络，从该网络中分别取边构成训练集样本和测试集样本；从样本中每次提取两个目标节点，确定各自对应的一阶邻居节点集合并取并集，得到两个目标节点组成的连边对应的一阶邻域子图；接着提取一阶邻域子图的特征；从样本中再次提取两个目标节点直至训练集样本或测试集样本中的所有目标节点均提取完成，经过同样方式处理，相应得到多个一阶邻域子图特征；最后预设全连接神经网络二分类器并进行训练，将多个一阶邻域子图特征输入至训练后的全连接神经网络二分类器，得出相应链路的预测得分。该方法具有更强的特征提取能力和更少的计算时间。
-
公开(公告)号：CN116192650A
公开(公告)日：2023-05-30
申请号：CN202310142106.4
申请日：2023-02-21
Applicant: 湖南大学
IPC: H04L41/12 , H04L41/147 , G06N3/08 , G06F18/214 , G06F18/24 , G06N3/0455
Abstract: 本发明公开了一种基于子图特征的链路预测方法，获取待预测网络并进行预处理，得到无方向无权重的待预测网络，从该网络中分别取边构成训练集样本和测试集样本；从样本中每次提取两个目标节点，确定各自对应的一阶邻居节点集合并取并集，得到两个目标节点组成的连边对应的一阶邻域子图；接着提取一阶邻域子图的特征；从样本中再次提取两个目标节点直至训练集样本或测试集样本中的所有目标节点均提取完成，经过同样方式处理，相应得到多个一阶邻域子图特征；最后预设全连接神经网络二分类器并进行训练，将多个一阶邻域子图特征输入至训练后的全连接神经网络二分类器，得出相应链路的预测得分。该方法具有更强的特征提取能力和更少的计算时间。
-
公开(公告)号：CN116155755A
公开(公告)日：2023-05-23
申请号：CN202310142125.7
申请日：2023-02-21
Applicant: 湖南大学
IPC: H04L41/147 , H04L41/14 , H04L41/12 , G06F16/9536 , G06Q50/00 , G06F18/241 , G06N3/048
Abstract: 本发明公开了一种基于线性优化封闭子图编码的链路符号预测方法，获取待预测网络并预处理，得到训练集样本和测试集样本；从训练集样本或测试集样本中任取一条边作为待预测边并提取相应的封闭子图，对封闭子图进行粗粒度加权，得到预加权邻接矩阵，再进行细粒度的线性优化加权，得到三个似然矩阵，对三个似然矩阵进行处理和拼接，得到待预测边对应的向量；遍历训练集样本和测试集样本中的所有边，重复上述方法，相应得到多个向量；将多个向量输入至训练后的全连接神经网络二分类器，经过处理，输出链路符号预测得分，从而得到待预测边的符号预测结果。该方法可以直接、简单地对封闭子图中的节点排序，链路符号预测效果更好。
-
-
-
Search Results
4
records
(took 0.018 seconds)
