-
公开(公告)号:CN116796173A
公开(公告)日:2023-09-22
申请号:CN202310792186.8
申请日:2023-06-30
Applicant: 吉林大学
IPC: G06F18/213 , G06F18/15 , G06F17/13 , G06N3/042 , G06Q50/00
Abstract: 本发明公开了一种基于常微分方程和超网络的事件预测方法,旨在克服现有技术对节点间的持续相互作用以及节点嵌入通道间的交互考虑不足、事件独特背景信息对事件预测任务的作用等问题,该方法的步骤为:1.由数据处理模块对数据集中所有事件数据进行处理;2.获取并处理同一时间发生的所有事件的相关数据;3.利用基于图神经网络的常微分方程建模节点间的信息传递以及节点嵌入通道间的交互;4.利用超网络来捕捉事件的个体特征;5.利用消息传递机制建模网络结构变化时用户嵌入的瞬时变化;6.对数据集中每一个时间点进行步骤2‑5的处理,直至训练集所有数据训练完成。
-
公开(公告)号:CN116795989A
公开(公告)日:2023-09-22
申请号:CN202310798909.5
申请日:2023-06-30
Applicant: 吉林大学
IPC: G06F16/35 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/084 , G06N3/0895 , G06N3/094 , G06Q50/00
Abstract: 本发明公开了一种基于自适应数据增强和对抗性训练的谣言检测框架,旨在克服现有技术在面对数据噪声问题时只考虑结构而忽略特征,不考虑对抗性攻击对谣言检测问题的影响等问题。方法的步骤为:1.对数据集进行处理;2.利用自适应数据增强方法减弱噪声的影响;3.利用图卷积神经网络生成图表示;4.利用对抗性生成模块生成对抗性表示提高模型的鲁棒性;5.构建联合损失函数优化谣言检测任务。
-