-
公开(公告)号：CN117454143A
公开(公告)日：2024-01-26
申请号：CN202311179820.7
申请日：2023-09-13
Applicant: 广州大学
IPC: G06F18/213 , G06F18/25 , G06F40/216 , G06N3/0442 , G06N3/045 , G06N3/048 , G06Q50/00 , G06N3/08
Abstract: 本发明公开了一种基于话题表示与多维特征嵌入的群体行为预测方法，具体为：S1话题表示：通过N‑gram模型获取话题中文本的词项序列，通过TF‑IDF评估词项序列中词项的重要程度来构建保留词典，将词典与LDA主题模型的主题分析结果进行对比，形成词项序列集，从而有效地表示及区分话题，提升行为预测的准确率。S2特征表示与融合：对用户行为设置权重，根据用户间的联系程度设置衡量因子，最后为用户间的连接边设置综合权重，以此重构话题消息传播网络，再采用Node2vec算法获取节点的嵌入向量表示得到网络结构特征向量。S3、构建群体行为预测模型：基于混合深度神经网络模型，学习和表示词项序列集，将属性和结构两个维度的特征作为嵌入特征，实现用户群体行为的预测。
-
公开(公告)号：CN116738331A
公开(公告)日：2023-09-12
申请号：CN202310557958.X
申请日：2023-05-17
Applicant: 广州大学
IPC: G06F18/2415 , G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多维度特征融合和残差图神经网络的社交机器人检测方法及装置，包括：基于用户社交关系数据构建由用户作为节点、用户社交关系作为边的图；获取基于用户属性的特征、基于用户发布内容的特征、基于时间信息的特征和基于用户活动行为的特征，将上述特征拼接融合得到用户在全面维度上的特征向量；将引入注意力机制的图表示学习并行训练出的低维稠密向量在节点级别上进行融合，形成基于每个节点特征数据以及拓扑结构的低维稠密向量；采用特征消融分析研究每个维度特征的重要性；使用残差图神经网络和模型集成策略，构建基于多维度特征融合和残差图神经网络的社交机器人模型。本发明可以显著提高社交机器人的检测准确率。
-
公开(公告)号：CN116738331B
公开(公告)日：2024-09-20
申请号：CN202310557958.X
申请日：2023-05-17
Applicant: 广州大学
IPC: G06F18/2415 , G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多维度特征融合和残差图神经网络的社交机器人检测方法及装置，包括：基于用户社交关系数据构建由用户作为节点、用户社交关系作为边的图；获取基于用户属性的特征、基于用户发布内容的特征、基于时间信息的特征和基于用户活动行为的特征，将上述特征拼接融合得到用户在全面维度上的特征向量；将引入注意力机制的图表示学习并行训练出的低维稠密向量在节点级别上进行融合，形成基于每个节点特征数据以及拓扑结构的低维稠密向量；采用特征消融分析研究每个维度特征的重要性；使用残差图神经网络和模型集成策略，构建基于多维度特征融合和残差图神经网络的社交机器人模型。本发明可以显著提高社交机器人的检测准确率。
-
公开(公告)号：CN117435935B
公开(公告)日：2024-08-02
申请号：CN202311176803.8
申请日：2023-09-13
Applicant: 广州大学
IPC: G06F18/23 , G06F18/2135 , G06N3/042 , G06N3/0895 , G06F18/22 , G06N3/047 , G06N3/048
Abstract: 本发明公开了一种基于自监督图注意力网络的人员群体预测方法及装置，包括：构建属性图，将属性图输入到改进的GAT模型，得到人员嵌入；将所述属性图中的属性经过拉普拉斯平滑滤波器过滤，对齐改进的GAT模型输出的嵌入特征维度，由此作为改进的GAT模型输出嵌入的监督嵌入；随机遮盖人员嵌入，预测结果计算损失并通过自监督训练模型；利用新的数据得到新人员的嵌入并利用训练好的GAT模型聚类划分人员群体，计算、聚合相似度获得人员群体预测结果。本发明以改进的GAT模型构建人员群体预测模型获得新节点的嵌入，使用拉普拉斯滤波器过滤后的属性矩阵作为监督嵌入，通过随机遮盖已有嵌入来训练改进的GAT模型，从而提高了人员群体预测方法的通用性和泛化性。
-
公开(公告)号：CN117540232A
公开(公告)日：2024-02-09
申请号：CN202311176802.3
申请日：2023-09-13
Applicant: 广州大学
IPC: G06F18/23213 , G06F18/213 , G06F40/216 , G06N3/042 , G06N3/047 , G06N3/048 , G06N3/084 , G06Q50/00
Abstract: 本发明公开了一种基于上下文路径的在线社交网络用户表示方法及装置，包括：利用用户与网络数据，提取特征并获取节点向量与在线社交网络异质图；构建在线社交网络用户表示模型，在异质图上采用基于上下文路径游走的方式，捕捉异质图中不同节点之间隐藏的高阶关系；利用图编码器处理节点向量并引入注意力机制得到用户节点的向量表示并对用户进行聚类。本发明提供了一种新的网络用户的分类方法，避免了需要专业人员定义元路径的问题和不同长度的上下文路径和关系出现相同的权重问题，能够学习到更为有效的节点向量，提高了模型的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN117454020B
公开(公告)日：2024-08-06
申请号：CN202311281783.0
申请日：2023-09-28
Applicant: 广州大学
IPC: G06F16/9536 , G06Q50/00 , G06F16/33 , G06F16/35 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种基于图卷积神经网络的在线社交网络用户表示方法及装置，方法为：关注用户属性及推文内容结合用户推文的时间信息，获取多维度特征进行拼接得到用户信息特征表示；采用图学习框架构建以用户为节点，多种用户间关系为边的在线社交网络异质图；将异质图分解为有向同构图，采用图卷积神经网络对有向同构图进行层级处理，同时使用跳跃连接将不同层的图卷积神经网络输出进行融合，得到用户在网络结构上的向量表示，再与用户信息特征表示进行拼接，得到在线社交网络用户的表示；本发明通过提取多方面维度的特征，使用图卷积神经网络解决异质图元路径难定义的问题，实现多类型边特征的融合利用，增强节点的表示，以致提高下游任务的准确性。
-
公开(公告)号：CN117454143B
公开(公告)日：2024-08-02
申请号：CN202311179820.7
申请日：2023-09-13
Applicant: 广州大学
IPC: G06F18/213 , G06F18/25 , G06F40/216 , G06N3/0442 , G06N3/045 , G06N3/048 , G06Q50/00 , G06N3/08
Abstract: 本发明公开了一种基于话题表示与多维特征嵌入的群体行为预测方法，具体为：S1话题表示：通过N‑gram模型获取话题中文本的词项序列，通过TF‑IDF评估词项序列中词项的重要程度来构建保留词典，将词典与LDA主题模型的主题分析结果进行对比，形成词项序列集，从而有效地表示及区分话题，提升行为预测的准确率。S2特征表示与融合：对用户行为设置权重，根据用户间的联系程度设置衡量因子，最后为用户间的连接边设置综合权重，以此重构话题消息传播网络，再采用Node2vec算法获取节点的嵌入向量表示得到网络结构特征向量。S3、构建群体行为预测模型：基于混合深度神经网络模型，学习和表示词项序列集，将属性和结构两个维度的特征作为嵌入特征，实现用户群体行为的预测。
-
公开(公告)号：CN117435935A
公开(公告)日：2024-01-23
申请号：CN202311176803.8
申请日：2023-09-13
Applicant: 广州大学
IPC: G06F18/23 , G06F18/2135 , G06N3/042 , G06N3/0895 , G06F18/22 , G06N3/047 , G06N3/048
Abstract: 本发明公开了一种基于自监督图注意力网络的人员群体预测方法及装置，包括：构建属性图，将属性图输入到改进的GAT模型，得到人员嵌入；将所述属性图中的属性经过拉普拉斯平滑滤波器过滤，对齐改进的GAT模型输出的嵌入特征维度，由此作为改进的GAT模型输出嵌入的监督嵌入；随机遮盖人员嵌入，预测结果计算损失并通过自监督训练模型；利用新的数据得到新人员的嵌入并利用训练好的GAT模型聚类划分人员群体，计算、聚合相似度获得人员群体预测结果。本发明以改进的GAT模型构建人员群体预测模型获得新节点的嵌入，使用拉普拉斯滤波器过滤后的属性矩阵作为监督嵌入，通过随机遮盖已有嵌入来训练改进的GAT模型，从而提高了人员群体预测方法的通用性和泛化性。
-
公开(公告)号：CN117454020A
公开(公告)日：2024-01-26
申请号：CN202311281783.0
申请日：2023-09-28
Applicant: 广州大学
IPC: G06F16/9536 , G06Q50/00 , G06F16/33 , G06F16/35 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种基于图卷积神经网络的在线社交网络用户表示方法及装置，方法为：关注用户属性及推文内容结合用户推文的时间信息，获取多维度特征进行拼接得到用户信息特征表示；采用图学习框架构建以用户为节点，多种用户间关系为边的在线社交网络异质图；将异质图分解为有向同构图，采用图卷积神经网络对有向同构图进行层级处理，同时使用跳跃连接将不同层的图卷积神经网络输出进行融合，得到用户在网络结构上的向量表示，再与用户信息特征表示进行拼接，得到在线社交网络用户的表示；本发明通过提取多方面维度的特征，使用图卷积神经网络解决异质图元路径难定义的问题，实现多类型边特征的融合利用，增强节点的表示，以致提高下游任务的准确性。
-
公开(公告)号：CN117540232B
公开(公告)日：2025-05-02
申请号：CN202311176802.3
申请日：2023-09-13
Applicant: 广州大学
IPC: G06F18/23213 , G06F18/213 , G06F40/216 , G06N3/042 , G06N3/047 , G06N3/048 , G06N3/084 , G06Q50/00
Abstract: 本发明公开了一种基于上下文路径的在线社交网络用户表示方法及装置，包括：利用用户与网络数据，提取特征并获取节点向量与在线社交网络异质图；构建在线社交网络用户表示模型，在异质图上采用基于上下文路径游走的方式，捕捉异质图中不同节点之间隐藏的高阶关系；利用图编码器处理节点向量并引入注意力机制得到用户节点的向量表示并对用户进行聚类。本发明提供了一种新的网络用户的分类方法，避免了需要专业人员定义元路径的问题和不同长度的上下文路径和关系出现相同的权重问题，能够学习到更为有效的节点向量，提高了模型的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.017 seconds)
