一种高阶结构嵌入及重要性排序的方法、设备及存储介质

    公开(公告)号:CN117539923A

    公开(公告)日:2024-02-09

    申请号:CN202311428334.4

    申请日:2023-10-31

    Abstract: 本发明提供了一高阶结构嵌入及重要性排序的方法、设备及存储介质。通过收集现实场景中实体间的合作数据,构建基于合作数据的高阶网络;通过构建的高阶网络计算高阶关联矩阵;根据高阶关联矩阵计算高阶邻接矩阵;根据高阶邻接矩阵进行高阶随机游走采样,得到若干h‑胞腔序列并生成h‑胞腔的特征;将输入中的非中心层胞腔的特征转换为中心层h‑胞腔的特征;利用高阶卷积神经网络计算中心层h‑胞腔的嵌入矩阵Y;利用上一步中计算得到的高阶结构嵌入矩阵Y,对合作网络中的不同胞腔进行重要性打分,得到h阶胞腔的影响力分数并进行排名,确定合作数据中的重要高阶结构。相比于现有技术,结合高阶结构嵌入的方法来实现合作网络中高阶结构的嵌入和排序,能够更加准确的挖掘出合作网络中的重要高阶结构。

    高阶图表示方法、以及高阶图神经网络模型生成方法

    公开(公告)号:CN117236373A

    公开(公告)日:2023-12-15

    申请号:CN202311027755.6

    申请日:2023-08-14

    Abstract: 本发明提供了一种高阶图表示方法、以及高阶图神经网络模型生成方法。通过根据网络的拓扑信息,遍历整个网络,找到网络中各个阶的单纯形;将不同阶数的单纯形放在同一层中;建立花心‑花瓣模型,建立花心和不同花瓣的二部图;基于高阶二部图,建立高阶关联矩阵;在二部图上进行两步随机游走;将两步随机游走进行结合,得到整体随机游走动力学方程,构建高阶邻接矩阵,根据高阶邻接矩阵构建高阶拉普拉斯矩阵。相比于现有技术,通过找到网络中的高阶结构构建新的图表示方法,从而建立包含高阶结构的图神经网络,并且在图神经网络不同的下游任务中表现出突出的效果,本发明能够更好的量化高阶结构的强度。

Patent Agency Ranking