公开(公告)号：CN113963195B

公开(公告)日：2024-07-16

申请号：CN202111124117.7

申请日：2021-09-24

Applicant: 电子科技大学长三角研究院(湖州) ,  湖州市中心医院

Inventor： 任晓龙 ,  黄一鸣 ,  吕琳媛 ,  张符融 ,  周玮 ,  苏忠周

IPC: G06F18/2415 ,  G06N7/01 ,  G06Q30/0601 ,  G16H50/80 ,  G06Q50/06

Abstract: 本发明公开了一种网络中关键节点识别方法，包括以下步骤：(1)根据网络G的拓扑信息，构造复杂网络对应的密度算子ρ(G)；(2)计算网络G的谱熵Sτ(G)；(3)构造每个节点生成的扰动网络Gx；(4)每个扰动网络的谱熵Sτ(Gx)的近似计算；(5)最终得到每个节点的纠缠度E(G)。本发明方法不仅考虑了复杂网络的局部结构和拓扑信息，而且也考虑了网络的全局信息，方法计算简单，适用范围广泛。

公开(公告)号：CN115865713A

公开(公告)日：2023-03-28

申请号：CN202211454519.8

申请日：2022-11-21

Applicant: 电子科技大学长三角研究院(湖州)

Inventor： 任晓龙 ,  黄一鸣 ,  吕琳媛 ,  梁木生 ,  张符融 ,  瑞嘉 ,  王重阳

IPC: H04L41/142 ,  G06F17/16

Abstract: 本发明属于高阶网络技术领域，公开了一种高阶网络中高阶结构的重要性排序方法、系统及终端，计算网络G中的高阶结构，并构造高阶关联矩阵B；计算高阶邻接矩阵Ah和高阶拉普拉斯矩阵Lh，同时计算混动邻接矩阵和混动拉普拉斯矩阵计算高阶密度算子ρ和高阶网络熵构造高阶扰动网络最终得到每个高阶结构的纠缠度E(Ωi)。本发明受量子信息论启发提出高阶熵及高阶纠缠的概念，综合考虑信息网络的低阶结构和拓扑信息、网络的高阶结构和全局拓扑信息，可以用来量化网络中高阶结构的重要性，识别网络中的关键高阶结构。

公开(公告)号：CN115344750A

公开(公告)日：2022-11-15

申请号：CN202210816803.9

申请日：2022-07-12

Applicant: 电子科技大学长三角研究院(湖州) ,  湖州学院

Inventor： 任晓龙 ,  曾钰洁 ,  吕琳媛 ,  梁木生 ,  张符融 ,  杨珍 ,  黄一鸣 ,  王重阳

IPC: G06F16/901 ,  G06F16/903

Abstract: 本发明涉及一种基于高阶增强的随机游走节点重要性排序的方法与系统，属于复杂系统与信息网络技术领域，能够基于网络中的高阶结构对节点进行重要性排序；该方法包括：S1、根据网络的拓扑信息，寻找出所有高阶结构；S2、根据网络的拓扑信息和高阶结构，构造二部图；S3、计算基于二部图的游走转移矩阵Wn；S4、根据Wn和基于原网络随机游走得到的游走转移矩阵C计算增强的游走转移矩阵S5、根据增强的游走转移矩阵计算各节点的访问概率，并根据访问概率对节点进行排序。

公开(公告)号：CN113963195A

公开(公告)日：2022-01-21

申请号：CN202111124117.7

申请日：2021-09-24

Applicant: 电子科技大学长三角研究院(湖州) ,  湖州市中心医院

Inventor： 任晓龙 ,  黄一鸣 ,  吕琳媛 ,  张符融 ,  周玮 ,  苏忠周

IPC: G06V10/764 ,  G06K9/62 ,  G06Q30/06 ,  G16H50/80 ,  G06Q50/06

Abstract: 本发明公开了一种复杂网络中关键节点识别方法，包括以下步骤：(1)根据网络G的拓扑信息，构造复杂网络对应的密度算子ρ(G)；(2)计算网络G的谱熵Sτ(G)；(3)构造每个节点生成的扰动网络Gx；(4)每个扰动网络的谱熵Sτ(Gx)的近似计算；(5)最终得到每个节点的纠缠度E(x)。本发明方法不仅考虑了复杂网络的局部结构和拓扑信息，而且也考虑了网络的全局信息，方法计算简单，适用范围广泛。

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

Applicant: 电子科技大学长三角研究院(湖州)

Inventor： 吕琳媛 ,  黄一鸣 ,  曾钰洁 ,  武强 ,  任晓龙

IPC: G06F16/2458 ,  G06F17/16 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/0985

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。

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

Applicant: 电子科技大学长三角研究院(湖州)

Inventor： 吕琳媛 ,  曾钰洁 ,  黄一鸣 ,  武强

IPC: G06N3/04

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。