-
公开(公告)号：CN118470411A
公开(公告)日：2024-08-09
申请号：CN202410600922.X
申请日：2024-05-15
申请人： 淮阴工学院
IPC分类号： G06V10/764 , G06T5/50 , G06T5/70 , G06N3/0455 , G06N3/042 , G06N3/0895
摘要： 本发明公开了一种基于去噪和掩码重建的图对比学习网络节点分类方法、装置及介质，所述的图对比学习网络节点分类方法包括：(1)对图数据添加定向噪声，得到一个增强后的加噪视图；将引文网络数据的特征进行一定程度的掩码，得到一个增强后的掩码视图；(2)通过GNN编码器获取两个增强视图的节点特征表示；(3)以两个增强视图的对应节点为正样本，其余为负样本，建立对比学习任务，然后将编码器得到的节点特征表示通过GNN解码器提取特征，与原图建立重构任务；(4)构建包括去噪重建损失、掩码重建损失和两个增强视图之间的对比损失的联合多损失函数，从而训练一个编码器，实现对网络中节点的分类。本发明能够提高网络节点分类的精度。
-
公开(公告)号：CN117541415A
公开(公告)日：2024-02-09
申请号：CN202311297980.1
申请日：2023-10-08
申请人： 淮阴工学院
摘要： 本发明公开了一种融合反向影响力得分的网络传播抑制方法，适用于社交网络下影响力抑制最大化研究领域。其具体步骤为：首先采用RIS算法构建足够多的随机子图，通过在随机子图上随机采样生成节点的反向可达集，然后使用影响力追溯的方法从外向内找到关键节点，通过采样模拟负影响力节点传播，寻找对负影响力节点起关键作用的节点，作为候选节点，最后使用基于流式算法的最大覆盖方法寻找k个覆盖最多反向可达集的节点，作为抑制节点集合。与现有技术相比，本发明所提出的方法可以更好的抑制网络中负影响力的传播，同时保持了正影响力的传播，是一种比较优秀的影响力抑制最大化算法。
-
公开(公告)号：CN118709836A
公开(公告)日：2024-09-27
申请号：CN202410767474.2
申请日：2024-06-14
申请人： 淮阴工学院
IPC分类号： G06Q10/04 , G06Q50/20 , G06F18/2411 , G06F18/2415 , G06F18/213 , G06F18/2113 , G06F18/10 , G06N3/0464 , G06N3/047
摘要： 本发明公开了一种基于深度神经网络的学生成绩预测方法，该方法建立了学生成绩预测模型，该模型结合了学生视觉空间注意力数据，利用深度神经网络DNN框架进行特征学习，通过三个全连接层优化数据特征，最终利用支持向量机SVM对结果进行分类，实现最佳的预测效果。本发明能有效地对学生的学术成绩进行分类预测，结合了深度学习和机器学习技术的优势，为教育领域的成绩评估提供了一个高效的工具。
-
公开(公告)号：CN118570007A
公开(公告)日：2024-08-30
申请号：CN202410678283.9
申请日：2024-05-29
申请人： 淮阴工学院
IPC分类号： G06Q50/00 , G06F18/213 , G06F18/232 , G06N3/042 , G06N3/088
摘要： 本发明公开了一种负面舆情传播抑制方法、系统、设备及存储介质，其中方法包括：对社交网络中所有节点的进行邻域采样，生成关系图，获取关系图中节点的特征表示，完成节点的嵌入；在无监督环境中学习节点特征表示，并使用损失函数对学习的过程进行评估，通过基于图的损失函数对输出表示进行优化，调整参数；在完成节点嵌入的基础上，根据样本分布的紧密程度，选择基于密度的聚类算法来对社交网络进行节点聚类，获取网络中基于密度的聚类簇；识别聚类簇中的重要簇，缩小候选种子节点集的范围，在重要簇中识别重要节点作为种子节点进行负面舆情传播的抑制；本发明显著减少模型训练的时间开销，在社交网络的虚假信息传播抑制中取得了良好效果。
-
公开(公告)号：CN118038555A
公开(公告)日：2024-05-14
申请号：CN202410226816.X
申请日：2024-02-29
申请人： 淮阴工学院
IPC分类号： G06V40/20 , G06V20/52 , G06V10/82 , G06V10/774 , G06V10/25 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/52 , G06N3/0464 , G06N3/0495 , G06N3/08
摘要： 本发明公开了一种基于改进YOLOv8的化工企业人员的危险行为检测方法，采用数据增强方法对自制危险行为数据集进行增强，并将数据集划分为训练集，测试集和验证集；构建基于改进YOLOv8的危险行为检测模型，在YOLOv8模型的主干和颈部部分引入通过组内点卷积残差模块IPCR和增强自适应层聚合模块EALA构成的CSP_EALA模块；在颈部引入组内点卷积空间金字塔池化IPSPP模块替换原始YOLOv8网络的SPPF模块；在Neck部分引入双卷积挤压激励网络；将训练集输入到危险行为检测模型进行训练；将待检测的危险行为图片输入训练后的危险行为检测模型，输出最终检测结果。本发明相较于原YOLOv8模型检测精度有所提升，有效提高了模型的检测效果、鲁棒性和泛化性能，为化工业领域的危险行为检测提供了有力支持。
-
公开(公告)号：CN118035448A
公开(公告)日：2024-05-14
申请号：CN202410224855.6
申请日：2024-02-29
申请人： 淮阴工学院
IPC分类号： G06F16/35 , G06N3/042 , G06N3/0464 , G06N3/0895
摘要： 本发明公开了一种基于伪标签去偏的引文网络中论文领域分类方法、装置及介质，所述方法为于图神经网络的编码器获取引文网络中每个视图的节点表示；基于半监督节点分类器为引文网络中未标注研究领域类别的数据分配的伪标签来选择负样本，建立对比学习任务；引入伪标签去偏法，处理引文网络数据集中论文研究领域类别分布的不均匀性问题；构建包括标签节点的分类损失、采样节点的对比损失以及自适应边界损失组合损失函数，对图神经网络进行优化，使其学到更具有判别性和泛化性的节点表示，实现对引文网络中的论文研究领域进行分类。本发明可以更好的应用于大量未标注标签的引文网络中，对引文网络中论文的研究领域的分类更准确高效。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.015 秒)
