-
公开(公告)号:CN110867250B
公开(公告)日:2022-10-25
申请号:CN201911033392.0
申请日:2019-10-28
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于强鲁棒性特征选择的社交媒体自残行为检测方法,1)从网络社交媒体网站进行多维度的异质信息获取;2)对数据从文本、用户、时间和图片四个方面进行特征提取,构造自残内容数据集和正常内容数据集;3)通过l_2,1范数的loss函数和正则化项,构建基于强鲁棒性特征选择的有监督自残检测模型;4)对待检测的目标数据进行特征抽取,使用构建的检测模型进行自残检测。本发明所公开的面向社交媒体的自残检测方法,较传统的自残检测相比,可以更广泛的接触到自残主体、更深度的发掘自残主体的行为模式、更高效及时的发现自残行为,具有实际应用的优势。
-
公开(公告)号:CN114677544A
公开(公告)日:2022-06-28
申请号:CN202210297025.7
申请日:2022-03-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于全局上下文交互的场景图生成方法及系统及设备,1)基于物体视觉特征、空间坐标、语义标签等多种特征融合的向量联合表示;2)基于双向门控循环神经网络的全局特征生成;3)基于全局特征向量的消息迭代传递机制;4)基于目标与关系状态表示的场景图生成。本发明所公开的基于全局上下文交互的场景图生成方法,同现存的场景图生成方法相比,通过上下文交互充分利用图像的全局特征,更具有应用广泛性;同时,得到上下文交互后的全局特征后进行目标对与其关系间的消息传递,利用目标间的潜在联系更新现有状态,进行更准确的场景图生成,具有实际应用的优势。
-
公开(公告)号:CN112465066A
公开(公告)日:2021-03-09
申请号:CN202011468508.6
申请日:2020-12-14
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于clique匹配和分层池化的图分类方法,其特征在于:1)基于图卷积神经网络的节点表示学习,为图中节点学习表示向量;2)基于clique匹配的池化方法,将和clique匹配的子图聚合为超节点实现池化操作;3)图表示向量生成,为每次池化操作生成的中间图学习表示向量;4)基于分层池化的图分类,将中间图的表示向量聚合得到目标图的最终表示向量,最后进行分类预测,返回预测结果。本发明所公开的基于clique匹配和分层池化的图分类方法,同现存的图分类方法相比,通过在图中进行clique匹配考虑高阶图结构;同时,本发明能够通过分层池化的方式减少特征信息损失,得到高质量的图表示向量。
-
公开(公告)号:CN111221964A
公开(公告)日:2020-06-02
申请号:CN201911360607.X
申请日:2019-12-25
Applicant: 西安交通大学
Abstract: 本发明公开了一种不同分面观点演化趋势引导的文本生成方法,(1)构造分面分类器和观点分类器:收集社交网络中特定热点事件的全部博文作为源语料集,根据专家知识或舆情事件管理需要,确定舆情事件的重要分面并给出分面描述;根据语料子句与分面描述的语义距离实现源语料集中不同分面的子句提取,以此训练分面分类器;利用基于观点的文本聚类方法将每个分面中不同观点语料聚类,利用聚类后的语料训练观点分类器。(2)生成对抗观点文本:文本生成模型包括一个生成器和三个对抗训练的判别器,生成器生成和语料句子分面相同、观点对抗的文本,三个判别器区分生成器生成的句子和源语料句子,如此反复对抗训练,直到三个判别器均无法区分生成器生成的句子和源语料句子。
-
公开(公告)号:CN111541621B
公开(公告)日:2021-09-07
申请号:CN201911358529.X
申请日:2019-12-25
Applicant: 西安交通大学
IPC: H04L12/851
Abstract: 本发明公开了一种基于转向包间隔概率分布的VPN流量分类方法,其特征在于:1)从网络采集较为广泛的加密流量数据;2)对流量数据进行数据包标识并组流,流以会话的形式表示隐含了更多有助于分类的统计信息3)针对VPN流量和非VPN流量分类,充分考虑到了这两种流量在传输过程中的差异,提取了一种新的高效的特征,称为转向包时间间隔,并且在此基础上通过对转向包时间间隔的概率分布统计更细粒度的对该特征进行了优化拓展,得到了基于转向包时间间隔的概率分布的统计特征;4)因为采用集成学习,拥有较传统流量分类模型更高的准确率和更广泛的应用范围,具有实际应用的优势。
-
公开(公告)号:CN109543084B
公开(公告)日:2021-01-19
申请号:CN201811332770.0
申请日:2018-11-09
Applicant: 西安交通大学
IPC: G06F16/951 , G06F16/9536 , G06F16/35 , G06F40/30 , G06N3/04 , G06Q50/00
Abstract: 本发明公开了一种建立面向网络社交媒体的隐蔽敏感文本的检测模型的方法,包括以下步骤:步骤1、互联网社交媒体文本数据高效采集及预处理,构建面向特定应用场景的数据集以及词向量词典,利用稠密的词向量,为数据集中每个类别标签赋予中文语义信息;步骤2、基于深度神经网络特征的多分类模型训练,利用卷积神经网络提取样本数据的深度特征,训练一个多分类的支持向量机;步骤3、基于中文语义理解的模型测试评价,通过深度特征向量得到文本的隐含语义。用于无敏感关键词情况下,从中文语义层面检测网络社交媒体上的中文隐蔽敏感信息,从而增加了网络舆情监测的精准程度。
-
公开(公告)号:CN111541621A
公开(公告)日:2020-08-14
申请号:CN201911358529.X
申请日:2019-12-25
Applicant: 西安交通大学
IPC: H04L12/851
Abstract: 本发明公开了一种基于转向包间隔概率分布的VPN流量分类方法,其特征在于:1)从网络采集较为广泛的加密流量数据;2)对流量数据进行数据包标识并组流,流以会话的形式表示隐含了更多有助于分类的统计信息3)针对VPN流量和非VPN流量分类,充分考虑到了这两种流量在传输过程中的差异,提取了一种新的高效的特征,称为转向包时间间隔,并且在此基础上通过对转向包时间间隔的概率分布统计更细粒度的对该特征进行了优化拓展,得到了基于转向包时间间隔的概率分布的统计特征;4)因为采用集成学习,拥有较传统流量分类模型更高的准确率和更广泛的应用范围,具有实际应用的优势。
-
公开(公告)号:CN110867250A
公开(公告)日:2020-03-06
申请号:CN201911033392.0
申请日:2019-10-28
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于强鲁棒性特征选择的社交媒体自残行为检测方法,1)从网络社交媒体网站进行多维度的异质信息获取;2)对数据从文本、用户、时间和图片四个方面进行特征提取,构造自残内容数据集和正常内容数据集;3)通过l_2,1范数的loss函数和正则化项,构建基于强鲁棒性特征选择的有监督自残检测模型;4)对待检测的目标数据进行特征抽取,使用构建的检测模型进行自残检测。本发明所公开的面向社交媒体的自残检测方法,较传统的自残检测相比,可以更广泛的接触到自残主体、更深度的发掘自残主体的行为模式、更高效及时的发现自残行为,具有实际应用的优势。
-
公开(公告)号:CN114663868B
公开(公告)日:2024-09-10
申请号:CN202210102952.9
申请日:2022-01-27
Applicant: 西安交通大学
Abstract: 本发明公开了基于组合学习视频平台logo检测方法及系统及设备。1)构建视频平台logo数据集;2)训练图标检测模型;3)进行图标检测;4)利用文字检测识别(OCR)模型进行文本识别;5)利用组合学习算法对3)和4)的检测结果进行合并,得到最终的检测结果。本发明所公开的基于组合学习的视频平台logo检测方法,同现存的logo检测方法相比,通过组合检测的方法,在更复杂的视频平台logo检测上效果更好,这使得本发明在该场景下有更好的应用。同时,本发明几乎适用于所有包含图标和文本信息的目标检测任务,这些类似的任务都可以用到组合检测算法,使得该发明具有更好的应用广泛性。
-
公开(公告)号:CN117194806A
公开(公告)日:2023-12-08
申请号:CN202310954733.8
申请日:2023-07-31
Applicant: 西安交通大学
IPC: G06F16/9536 , G06N3/042 , G06N3/048 , G06N3/049 , G06N3/08
Abstract: 一种基于新闻传播过程的虚假新闻检测方法及相关装置,包括:通过新闻相关媒介以及媒介之间的信息传递关系构建动态异质网络模型,得到节点初始表征;使用时间编码与图神经网络分别提取新闻传播过程中的时空信息,得到各个传播表征;根据传播表征采用transformer架构对新闻各个传播的重要程度进行建模,得到最终新闻表征;通过模型得到新闻表征后,通过线性变换和softmax算子计算模型预测概率,并采用带正则项的交叉熵损失函数优化模型参数。本发明提出的虚假信息检测模型能够建模新闻传播的过程,计算各个传播的重要程度,解决了“回音室”难点,增强了虚假新闻检测的鲁棒性,同时能够生成高质量的新闻表示,使得本发明与其它虚假新闻检测相比,具有明显的优势。
-
-
-
-
-
-
-
-
-