-
公开(公告)号：CN116821370A
公开(公告)日：2023-09-29
申请号：CN202310788310.3
申请日：2023-06-29
Applicant: 电子科技大学
IPC: G06F16/36
Abstract: 本发明公开了一种基于图稀疏表征的知识图谱数据分解与压缩方法，首先通过采样模块，以知识图谱中的每一个节点为中心进行子图采样，将一个知识图谱网络数据分割成一组知识图谱事务图集，在得到的事务图集上进行频繁子图挖掘，构建出以模式扩展为基础的子图扩展树，在树上进行DFS深度优先搜索，逐个寻找频繁出现在知识图谱事务图集中的基础模式，完成知识图谱数据分解与压缩，最后对挖掘出的频繁子图进行过滤，删除掉冗余的子结构，过滤不合适的频繁子图，输出原子及稀疏编码矩阵。本发明的方法将知识图谱数据表示为基础子结构的组合，压缩知识图谱数据，降低对知识图谱数据嵌入和分析难度，删除掉冗余子结构，提高对数据的分解和压缩效率。
-
公开(公告)号：CN114817563B
公开(公告)日：2023-04-28
申请号：CN202210450655.3
申请日：2022-04-27
Applicant: 电子科技大学
IPC: G06F16/36 , G06F16/9536 , G06F16/2458 , G06F16/33 , G06F18/25 , G06F16/35
Abstract: 本发明公开了一种基于最大团发现的特定Twitter用户群体的挖掘方法，包括以下步骤：S1、基于最大团的推文集合筛选，并获取用户群，进行用户群体挖掘；S2、获取用户群体后的相关分析。本发明提出一种根据用户所传播信息的关系进行用户群体挖掘方法，对一系列信息传播过程进行相关网络构建，并提取其中相关性最高的信息传播集合，再选择其中参与信息传播的用户群体，使用该方法能够较为快速地获取发送相同信息的用户群体。本发明还可以很大程度地降低特定Twitter用户群体挖掘的算法复杂度，缩小用户群体挖掘需要遍历的用户数目，提高求解问题的速度。
-
公开(公告)号：CN114817563A
公开(公告)日：2022-07-29
申请号：CN202210450655.3
申请日：2022-04-27
Applicant: 电子科技大学
IPC: G06F16/36 , G06F16/9536 , G06F16/2458 , G06F16/33 , G06K9/62 , G06F16/35
Abstract: 本发明公开了一种基于最大团发现的特定Twitter用户群体的挖掘方法，包括以下步骤：S1、基于最大团的推文集合筛选，并获取用户群，进行用户群体挖掘；S2、获取用户群体后的相关分析。本发明提出一种根据用户所传播信息的关系进行用户群体挖掘方法，对一系列信息传播过程进行相关网络构建，并提取其中相关性最高的信息传播集合，再选择其中参与信息传播的用户群体，使用该方法能够较为快速地获取发送相同信息的用户群体。本发明还可以很大程度地降低特定Twitter用户群体挖掘的算法复杂度，缩小用户群体挖掘需要遍历的用户数目，提高求解问题的速度。
-
公开(公告)号：CN106327345A
公开(公告)日：2017-01-11
申请号：CN201610815661.9
申请日：2016-09-12
Applicant: 电子科技大学
IPC: G06Q50/00
CPC classification number: G06Q50/01
Abstract: 本发明公开一种基于多网络模块度的社团发现方法，首先提出了多网络的零模型，并在其基础上进一步提出了适用于多网络的，功能函数多网络的模块度；并在多网络模块度的基础上，提出了基于多网络模块度的快速社团发现方法，并验证了该方法的有效性，本申请的方法具有如下优点：采用网络配置的思想构建了基于节点冗余度的多网络零模型，保证零模型与原网络具有相同节点数、网络数、节点冗余度分布；提出多网络模块度，一种全新的衡量多网络社团结构的功能函数，为多网络社团评价提供了新方法；在多网络模块度的基础上，提出了基于多网络模块度最大化的快速社团发现算法，降低了求解多网络模块度的最大值时间复杂度。
-
公开(公告)号：CN116932925A
公开(公告)日：2023-10-24
申请号：CN202310927373.2
申请日：2023-07-26
Applicant: 电子科技大学
IPC: G06F16/9536 , G06F16/36 , G06N20/00 , G06F18/24
Abstract: 本发明公开了一种基于超模体嵌入的社交网络多元关系及事件预测方法，将社交网络数据通过知识超图进行表征，通过采样、编码和计数知识超图中子超图，并与随机超图对比分析来提取出知识超图区别于随机超图的子超图，并将子超图作为超模体，并根据超模体对知识超图构建的样本集中的超边进行特征嵌入，通过机器学习分类模型来完成判定给定超边是否为真的二元分类问题，实现对社交网络中未知的多元关系和事件进行推理和预测。本发明的方法克服现有技术无法表征社交网络中多元关系及事件的缺点，将基于图局部结构的知识图谱补全方法推广至所述知识超图，预测结果准确，并且具可解释性，有助于科研人员认识和理解复杂抽象的社交网络数据。
-
Patent Agency Ranking
公开(公告)号：CN114826278A
公开(公告)日：2022-07-29
申请号：CN202210438892.8
申请日：2022-04-25
Applicant: 电子科技大学
IPC: H03M7/30
Abstract: 本发明公开了一种基于布尔矩阵分解的图数据压缩方法，具体包括：对原始图数据进行拆分，使用自我中心网络表示，并进行重排序；使用邻接矩阵对排序后的自我中心网络集合进行表示，生成采样矩阵；将采样矩阵分解成字典矩阵与稀疏码矩阵的乘积；布尔原子挖掘；原子进行线性组合，得到采样恢复矩阵，然后根据采样阶段获得的采样节点集合，将各个节点之间的连边关系按照采样恢复矩阵进行恢复，得到恢复的图数据。本发明的方法通过使用布尔矩阵分解的方式，对矩阵分解得到的字典矩阵与稀疏码矩阵进行约束，使得字典矩阵和稀疏码矩阵都是布尔型矩阵，可以降低图数据表征的误差率，同时提高表征得到的原子的准确率，实现对图数据的压缩。
-
公开(公告)号：CN105430109B
公开(公告)日：2018-09-25
申请号：CN201510719665.2
申请日：2015-10-30
Applicant: 电子科技大学
IPC: H04L29/12 , H04L12/741
Abstract: 本发明公开了一种基于流行为特征的互联网数据中心IP地址查找方法，根据互联网数据中心特有的流行为特征，在大规模网络流信息中，对互联网数据中心的IP进行挖掘，从而全面提取、描述互联网数据中心的业务承载内容及其之间的连接关系，并证明了根据流行为特征能够有效地从大数据流信息中对特定IP进行挖掘。
-
公开(公告)号：CN106372239A
公开(公告)日：2017-02-01
申请号：CN201610822837.3
申请日：2016-09-14
Applicant: 电子科技大学
CPC classification number: G06Q50/01 , G06F17/30867 , G06F2216/03
Abstract: 本发明公开了一种基于异质网络的社交网络事件关联分析方法，具体为：构建社交网络空间中人物-事件异质网络；提取人物-事件异质网络中节点和边的信息特征；在人物-事件异质网络的连边约束下，进行社团划分，得到人物社团、事件社团；通过人物-事件关联约束，对人物-事件异质网络进行异质社团划分，通过对划分结果的研究，达到事件关联性分析的目的。本发明的方法利用异质网络，增加社交网络中用户，事件和用户事件三个图的构造，通过对社交网络中的事件进行进一步的分析，达到挖掘社交网络中的事件关联性的目的。
-
公开(公告)号：CN113922823B
公开(公告)日：2023-04-21
申请号：CN202111270061.6
申请日：2021-10-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于约束稀疏表征的社交媒体信息传播图数据压缩方法，包括以下步骤：S1、数据采样：对传播网络的每个节点进行采样，获得网络中每个节点的自我中心网络；S2、数据预处理：将自我中心网络表示成邻接矩阵的形式，并获得字典矩阵与稀疏码矩阵；S3、从字典矩阵中提取表征网络的原子；S4、根据稀疏码矩阵进行高频原子分析；S5、选择高频原子构建备选集；S6、用备选集中的自我中心网络在网络中进行匹配；S7、重构网络与结果分析。本发明以复杂网络稀疏表征结果为引导，结合社交网络传播网络本身特点进行约束表征，从而实现对社交媒体信息传播图数据压缩，并且用少量的原子就能达到恢复原始社交网络图数据结构的目的。
-
公开(公告)号：CN113922823A
公开(公告)日：2022-01-11
申请号：CN202111270061.6
申请日：2021-10-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于约束稀疏表征的社交媒体信息传播图数据压缩方法，包括以下步骤：S1、数据采样：对传播网络的每个节点进行采样，获得网络中每个节点的自我中心网络；S2、数据预处理：将自我中心网络表示成邻接矩阵的形式，并获得字典矩阵与稀疏码矩阵；S3、从字典矩阵中提取表征网络的原子；S4、根据稀疏码矩阵进行高频原子分析；S5、选择高频原子构建备选集；S6、用备选集中的自我中心网络在网络中进行匹配；S7、重构网络与结果分析。本发明以复杂网络稀疏表征结果为引导，结合社交网络传播网络本身特点进行约束表征，从而实现对社交媒体信息传播图数据压缩，并且用少量的原子就能达到恢复原始社交网络图数据结构的目的。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.019 seconds)
