-
公开(公告)号：CN115146695B
公开(公告)日：2024-04-02
申请号：CN202210295276.1
申请日：2022-03-23
Applicant: 北京工业大学
IPC: G06F18/2413 , G06N3/042 , G06N3/08 , G06Q50/40
Abstract: 一种基于超图注意力网络的公共交通出行群体分类方法属于智能交通系统领域，旨在解决出行群体分类问题。首先，利用KNN(K‑NearestNeighbor)网络将公共交通个体出行特征数据构建出超图表示，其中节点表示出行个体，超边为KNN建模的出行个体间的属性拓扑关系；接下来使用超图注意力网络(HGAT)学习超图中节点的表示，共分为两步。第一步，用节点注意力来学习节点的特征表示。第二步，采用另一个聚合器来聚合节点的最终表示；最后，将节点的表示输入到线性层，进行出行群体的分类，并采用交叉熵损失来优化模型的预测能力。实验证明，本发明能够实现对于公共交通出行群体的精准分类，且准确度有了很大的提升。
-
公开(公告)号：CN113919441A
公开(公告)日：2022-01-11
申请号：CN202111294128.X
申请日：2021-11-03
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于超图变换网络的分类方法，用于解决现有技术无法深刻发掘异构网络中的高阶语义信息，进而无法准确进行分类的问题。本方法提出了一个端到端的超图变换网络(Hypergraph Transformer Neural Networks，HGTN)，利用超边增幅节点间的沟通能力学习高阶关系，并挖掘不同类型节点间的语义信息。具体地，利用注意力机制为不同类型超图分配权重，级联学习原始异构超图中隐含的高阶语义信息，生成有用的元路径，以端到端的方式学习节点嵌入特征，完成节点分类任务。该方法具有良好的准确率与普适性，适用于引文网络，媒体网络，社交网络等异构网络的节点分类任务。
-
公开(公告)号：CN114662748B
公开(公告)日：2024-06-25
申请号：CN202210250344.2
申请日：2022-03-07
Applicant: 北京工业大学
IPC: G06Q10/04 , G06Q50/20 , G06F18/214 , G06F18/2431 , G06F18/2413 , G06F18/23213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 本发明提出一种基于图结构学习的多行为融合神经网络分类预测方法，涉及模式识别与机器学习，尤其是面向基于多源异构校园大数据的学生成绩预测任务。该方法利用多源异构的校园大数据集进行学生行为特征提取，引入K邻近算法构建多行为融合特征图，在此基础上，提出了优化的图结构学习模块学习。相比于单行为节点特征在特征图上进行传播，多行为特征图能够为学习节点嵌入提供更加全面的特征信息。同时，优化的图结构学习模块能够为节点特征图的学习提供共享的信息表示。相比于现有的分类预测模型，本发明方法显著提升了分类预测准确率。
-
公开(公告)号：CN113705679B
公开(公告)日：2024-05-28
申请号：CN202110999765.0
申请日：2021-08-30
Applicant: 北京工业大学
IPC: G06F18/2431 , G06F18/214 , G06F18/23 , G06N3/0464 , G06Q10/04 , G06Q50/20
Abstract: 本发明提供了一种基于超图神经网络的学生成绩预测方法，用于解决现有技术无法对学生多源异构行为数据进行分析，进而无法准确预测学业成绩的问题。本方法首先根据学生多源异构数据提取多源行为特征，然后，对所有学生的多源行为特征进行敏感性分析得到每种行为的影响力特征，接下来，利用影响力特征构建多源行为超图；最后，将学生的多源超图H及由四种行为的影响力特征拼接而成的多元影响力特征X输入到深度网络，预测学生成绩。本发明提出的Ms‑HGNN方法，从群体的角度考虑了多源行为特征构建的行为模式对学生成绩的影响，灵活地表示了学生行为多元关联，在提高模型预测准确性的同时赋予了一定的可解释性。
-
Patent Agency Ranking
公开(公告)号：CN117112920A
公开(公告)日：2023-11-24
申请号：CN202310836490.8
申请日：2023-07-10
Applicant: 北京工业大学
IPC: G06F16/9536 , G06N3/0464
Abstract: 本发明提出了一种基于交互图卷积网络的协同过滤方法。推荐系统为用户提供个性化的商品推荐。传统的协同过滤方法忽略了用户和商品之间的上下文语义交互，导致了推荐准确度的下降。为了解决这个问题，本方法在时间上采用滑动窗口来捕捉用户和商品之间的时序关系，并通过多层图卷积网络将上下文信息和嵌入向量相结合，从而得到动态的图嵌入表示。此外，本发明还提出了一种基于VIC正则化的损失函数，用于约束嵌入向量的方差和协方差。本发明所提出的方法为推荐系统中上下文语义交互的建模提供了一种新的思路，并有望在实际应用中得到广泛应用。
-
公开(公告)号：CN113919441B
公开(公告)日：2025-04-25
申请号：CN202111294128.X
申请日：2021-11-03
Applicant: 北京工业大学
IPC: G06F18/241 , G06F18/25 , G06N3/042 , G06N3/048 , G06N3/045 , G06N3/0985 , G06N3/084
Abstract: 本发明提供了一种基于超图变换网络的分类方法，用于解决现有技术无法深刻发掘异构网络中的高阶语义信息，进而无法准确进行分类的问题。本方法提出了一个端到端的超图变换网络(Hypergraph Transformer Neural Networks，HGTN)，利用超边增幅节点间的沟通能力学习高阶关系，并挖掘不同类型节点间的语义信息。具体地，利用注意力机制为不同类型超图分配权重，级联学习原始异构超图中隐含的高阶语义信息，生成有用的元路径，以端到端的方式学习节点嵌入特征，完成节点分类任务。该方法具有良好的准确率与普适性，适用于引文网络，媒体网络，社交网络等异构网络的节点分类任务。
-
公开(公告)号：CN115146695A
公开(公告)日：2022-10-04
申请号：CN202210295276.1
申请日：2022-03-23
Applicant: 北京工业大学
Abstract: 一种基于超图注意力网络的公共交通出行群体分类方法属于智能交通系统领域，旨在解决出行群体分类问题。首先，利用KNN(K‑NearestNeighbor)网络将公共交通个体出行特征数据构建出超图表示，其中节点表示出行个体，超边为KNN建模的出行个体间的属性拓扑关系；接下来使用超图注意力网络(HGAT)学习超图中节点的表示，共分为两步。第一步，用节点注意力来学习节点的特征表示。第二步，采用另一个聚合器来聚合节点的最终表示；最后，将节点的表示输入到线性层，进行出行群体的分类，并采用交叉熵损失来优化模型的预测能力。实验证明，本发明能够实现对于公共交通出行群体的精准分类，且准确度有了很大的提升。
-
公开(公告)号：CN114662748A
公开(公告)日：2022-06-24
申请号：CN202210250344.2
申请日：2022-03-07
Applicant: 北京工业大学
Abstract: 本发明提出一种基于图结构学习的多行为融合神经网络分类预测方法，涉及模式识别与机器学习，尤其是面向基于多源异构校园大数据的学生成绩预测任务。该方法利用多源异构的校园大数据集进行学生行为特征提取，引入K邻近算法构建多行为融合特征图，在此基础上，提出了优化的图结构学习模块学习。相比于单行为节点特征在特征图上进行传播，多行为特征图能够为学习节点嵌入提供更加全面的特征信息。同时，优化的图结构学习模块能够为节点特征图的学习提供共享的信息表示。相比于现有的分类预测模型，本发明方法显著提升了分类预测准确率。
-
公开(公告)号：CN113705679A
公开(公告)日：2021-11-26
申请号：CN202110999765.0
申请日：2021-08-30
Applicant: 北京工业大学
Abstract: 本发明提供了一种基于超图神经网络的学生成绩预测方法，用于解决现有技术无法对学生多源异构行为数据进行分析，进而无法准确预测学业成绩的问题。本方法首先根据学生多源异构数据提取多源行为特征，然后，对所有学生的多源行为特征进行敏感性分析得到每种行为的影响力特征，接下来，利用影响力特征构建多源行为超图；最后，将学生的多源超图H及由四种行为的影响力特征拼接而成的多元影响力特征X输入到深度网络，预测学生成绩。本发明提出的Ms‑HGNN方法，从群体的角度考虑了多源行为特征构建的行为模式对学生成绩的影响，灵活地表示了学生行为多元关联，在提高模型预测准确性的同时赋予了一定的可解释性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
