CN110489661B - 一种基于生成对抗网络和迁移学习的社交关系预测方法 - Google Patents

一种基于生成对抗网络和迁移学习的社交关系预测方法 Download PDF

Info

Publication number
CN110489661B
CN110489661B CN201910669568.5A CN201910669568A CN110489661B CN 110489661 B CN110489661 B CN 110489661B CN 201910669568 A CN201910669568 A CN 201910669568A CN 110489661 B CN110489661 B CN 110489661B
Authority
CN
China
Prior art keywords
network
classifier
sample
data
social
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910669568.5A
Other languages
English (en)
Other versions
CN110489661A (zh
Inventor
陈艳姣
熊宇轩
刘布楼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910669568.5A priority Critical patent/CN110489661B/zh
Publication of CN110489661A publication Critical patent/CN110489661A/zh
Application granted granted Critical
Publication of CN110489661B publication Critical patent/CN110489661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于生成对抗网络和迁移学习的社交关系预测方法，提出了一个基于迁移学习的新的生成对抗网络框架，TranGAN，来进行社交关系的预测。该模型利用社交理论作为公共信息来将源网络和目标网路联系起来。生成对抗网络根据原有的数据集生成和原有数据集具有相似概率分布的样本，从而增大原有数据集的样本数量。而该模型相比于原有的迁移学习模型，由于计算复杂度较低，具有更快的速度，适用于较大规模网络的分析。

Description

一种基于生成对抗网络和迁移学习的社交关系预测方法
技术领域
本发明属于社交网路分析领域，尤其涉及基于生成对抗网络和迁移学习的社交关系预测方法。
背景技术
社交网络的存在让用户可以表达他们的观点，参与社交讨论，和其他人交流。这些年来，推特、微信和微博等主流的社交网络平台的迅猛发展，给予了我们挖掘理解内在的社交关系结构的机会，而这样的分析可以帮助提出一系列有价值的服务。根据eMarketer发布的调查，2016年在世界范围内，社交网络信息交流数超过了234亿条，预计2020这个数量会达到295亿，其中70.7％由网民的信息交流构成。
社交关系的分析对于社交网络媒体的开发人员来说很有价值，这样的分析可以帮助他们向用户们推荐他们感兴趣的新的联系人，从而使得社交网络更加活跃丰富。社交网络的管理者还可以帮助通过分析以及存在的客户和他们的社交关系来帮助网络商务公司来发现新的客户。传统的监督式的机器学习方法需要大量的有标记样本来训练得到可靠的模型。但是在社交网络中很多人只是和很少的人频繁联系，而和大多数的人联系都很少。根据唐杰教授的统计，在像LinkeIn这样的社交网络里，超过70％的样本之间的联系都是没有标记的。为了解决这一问题，唐杰教授提出了一个基于条件随机场的迁移学习模型。这个半监督学习的模型框架结合社交理论，将有标记的信息从源网络中迁移到目标网络来推断目标网络中的社交关系。然而，条件随机场里包含着时间复杂度较高的马尔科夫链，导致在分析大规模的社交网络时需要较长的时间。
发明内容
本发明是提出了一种基于迁移学习的新的生成对抗网络，用于社交关系的预测。
本发明的技术方案是用基于迁移学习的生成对抗网络来预测社交关系，包含以下步骤：
步骤1：初始化生成器G、分类器C、判别器D各自神经网络的权值和偏置。每个神经网络包含三层：输入层、隐藏层、输出层，输入层到隐藏层的权值和偏置分别计为w1、b1，隐藏层到输出层的权值和偏置分别计为w2、b2，从而生成器得到向量θG＝[Gw1,Gw2,Gb1,Gb2]，同理得分类器向量θC，判别器向量θD。初始化方法为根据输入的维数，权重从服从正态分布的随机变量中随机取数，偏置设置为初始全为0的向量。
步骤2：根据当前神经网络生成新的样本。实现方法如下：将随机噪音Z和样本X的标签Y作为生成器的输入，经过两层神经网络的运算，最后通过sigmoid函数运算得到与样本特征维度相同的向量 Xg，Y作为它的标签即可得到新的样本，即Yg＝Y，将Xg作为分类器C的输入，最后通过softmax函数运算输出得到其标签Yc，从而得到新的样本，即(Xg,Yg)。此时共有三种样本：(Xg,Yg)、(Xc,Yc)和(Xd,Yd)。 (Xg,Yg)样本通过已有的标签作为输入由生成器生成特征得到，该数据生成后服从的概率分布是Pg(Xg,Yg)；(Xc,Yc)样本通过无标签的特征作为输入由分类器生成标签得到，该数据生成后服从的概率分布是 Pc(Xc,Yc)；(Xd,Yd)样本是标签和特征都已有的真实样本，服从概率分布P(X,Y)，我们通过训练需要达到的目的是对分类器C和生成器G 不断优化，使他们生成的数据的概率分布与原数据的概率分布尽可能一致，即Pc(Xc,Yc)＝Pg(Xg,Yg)＝P(X,Y)，让判别器D难以判断，而对判别器D的不断优化，让它尽可能准确地判断输入数据是生成的还是原始的。在这种对抗学习的过程中提升三者的性能，最后使得生成器可以对新的数据进行准确分类。
步骤3：将我们原有的数据和生成的数据分批输入到分类器、判别器和生成器里面，根据三个神经网络各自的损失函数，通过Adam 算法进行梯度下降从而修改这三个的神经网络的权值和偏差，其中生成器G的损失函数是
Figure BDA0002141220110000031
判别器D的损失函数是
Figure BDA0002141220110000032
Figure BDA0002141220110000033
生成器C的损失函数是
Figure BDA0002141220110000034
根据各自的损失函数，每次迭代将一批数据输入到模型中，对三个神经网络的权重和偏置进行修正，以得到较为准确的生成器、分类器和判别器。
步骤4：将测试集的特征作为输入输入到分类器C，得到判定出来的各自的类别。
本发明的优点在于：设计了一个包含一个生成器、一个判别器和一个分类器的神经网络。生成器根据原有的数据生成与原有数据具有相似的概率分布的样本；分类器为生成器生成的样本添加标签；判别器用于判断当前的样本是生成器生成还是原始的样本，作为反馈来提升生成器和分类器。我们在设计优化方法和损失函数后，训练该生成对抗网络模型，对比原来唐杰教授提出的基于条件随机场的迁移学习模型，我们的模型具有更低的计算复杂度，使得在大规模的社交网络分析上更加适用。
附图说明
图1是该发明的执行流程图。
具体实施方式
本发明主要基于深度学习和社交网络分析，在以往的社交关系预测中也曾使用过一些机器学习的算法，但是如决策树、支持向量机等传统的机器学习算法预测方法较为简单，导致了较大的误差，如基于条件随机场的迁移学习虽然有较好的预测效果，但是包含了复杂的马尔科夫链，因此时间复杂度较高，不适用于处理大规模的网络，而我们提出的模型——基于迁移学习的生成对抗网络，可以解决以上两个问题，即既能有较高的预测准确性，又能有较低的时间复杂度。
本发明可以用深度学习框架tensorflow编程实现，以下是对本发明的具体阐述：
步骤1：初始化生成器G、分类器C、判别器D各自神经网络的权值和偏置。每个神经网络包含三层：输入层、隐藏层、输出层，输入层到隐藏层的权值和偏置分别计为w1、b1，隐藏层到输出层的权值和偏置分别计为w2、b2，从而分别得到向量θG＝[Gw1,Gw2,Gb1,Gb2]，同理得向量θC，θD。初始化方法为根据输入的维数，权重从服从正态分布的随机变量中随机取数，偏置设置为初始全为0的向量。
本发明使用的数据集是Epinions和Slashdot，所以网络中每个样本的特征是10维的，标签是2维的，使用tensorflow中的API： tf.Variable分别初始化每个神经网络的权重和偏置，权重使用 tensorflow中的API:tf.random_normal在正态分布中随机取数初始化，根据输入层的维数设置正态分布的方差。将噪音的维数设置为16。判别器D的输入维数是特征维数加上标签维数，即12，隐藏层的隐藏单元个数设置为10，输出维数为1，所以判别器的第一层神经网络权重是12*10的矩阵，偏置是10维全0向量，第二层神经网络权重是10*1的矩阵，偏置是0。生成器的输入维数设置为标签的维数加上噪音的维数，即18，隐藏层隐藏单元的个数设置为10，输出的维数与特征的维数相同，即10，所以生成器的第一层神经网络权重是 18*10的矩阵，偏置是10维全0向量，第二层神经网络权重是10*10 的矩阵，偏置是10维全0向量。分类器输入的维数是特征的维数10，隐藏层的隐藏单元个数设置为15，输出的维数是标签的维数2，所以分类器的第一层神经网络的权重是10*15的矩阵，偏置是15维全0向量，第二层神经网络权重是15*2的矩阵，偏置是2维0向量。至此初始化完成。
步骤2：根据当前神经网络生成新的样本。实现方法如下：将随机噪音Z和样本的标签Y作为生成器的输入，经过两层神经网络的运算，最后通过sigmoid函数运算得到与样本特征维度相同的向量Xg， Y作为它的标签即可得到新的样本，将Xg作为分类器C的输入，最后通过softmax函数运算输出得到其标签Yc，从而得到新的样本。此时共有三种样本：(Xg,Yg)，该样本通过已有的标签作为输入由生成器生成特征得到，该数据生成后服从的概率分布是Pg(Xg,Yg)；(Xc,Yc)，该样本通过无标签的特征作为输入由分类器生成标签得到，该数据生成后服从的概率分布是Pc(Xc,Yc)；(Xd,Yd)，该样本是标签和特征都已有的真实样本，服从概率分布P(X,Y)，我们通过训练需要达到的目的是对分类器C和生成器G不断优化，使他们生成的数据的概率分布与原数据的概率分布尽可能一致，即Pc(Xc,Yc)＝Pg(Xg,Yg)＝P(X,Y)，让判别器D难以判断，而对判别器D的不断优化，让它尽可能准确地判断输入数据是生成的还是原始的。在这种对抗学习的过程中提升三者的性能，最后使得生成器可以对新的数据进行准确分类。
数据集是Epinions和Slashdot，是两个异质的社交网络。Epinions 是一个用户可以将他们对于网购商品的观点发表在上面的网络。用户发表了他们的观点后，其他网友可以赞同或者不赞同他们的观点。这个数据集包含了131828个用户和841372个标记的关系，其中85％的关系是正面的(即赞同他人观点)，有80668个用户至少存在于一个关系之中。Slashdot是一个用户可以分享他们对于科技新闻看法的网站。2002年时该网站加入了可以将其他网友标记为朋友或敌人的功能。这个数据集中包含了77357个用户和516575个标记的关系，其中76.7％是朋友关系。这两个网络已经被转化为数据的形式，每一个样本的特征是10维的向量，并有2维标记位，标记位为[0 1]或[1 0]，分别代表不赞同或赞同、或者朋友或者敌人。我们将每个数据集都随机平均分为5份，每次实验取其中4份作为训练集，一份作为测试集，取五次的平均结果。我们采用迁移学习的方法分别将Epinions中的数据迁移至Slashdot中，即将Epinions中的数据作为全部有标记的样本加入到Slashdot数据集里，将Slashdot中的数据迁移至Epinions中，即将Slashdot中的数据作为全部有标记的样本加入到Epinions数据集中，然后将随机生成的噪音和标签输入到生成器中生成新的数据的特征，再将新的数据的特征输入到分类器中得到标签，从而得到完整的生成数据，最后将生成的数据和原有的数据输入到判别器中，判断该数据是由生成器生成还是原有的数据。
步骤3：将我们原有的数据和生成的数据分批输入到分类器、判别器和生成器里面，根据三个神经网络各自的损失函数，通过Adam 算法进行梯度下降从而修改这三个的神经网络的权值和偏差，其中生成器G的损失函数是
Figure BDA0002141220110000071
判别器D的损失函数是
Figure BDA0002141220110000072
Figure BDA0002141220110000073
分类器C的损失函数是
Figure BDA0002141220110000074
根据各自的损失函数，每次迭代将一批数据输入到模型中，对三个神经网络的权重和偏置进行修正，以得到较为准确的生成器、分类器和判别器。
根据判别器的判别结果和真实的结果进行对比得到三个神经网络的损失函数，其中生成器G的损失函数是判别器判断出更多的生成器生成的数据为假，该损失函数越大，所以生成器G的损失函数是
Figure BDA0002141220110000081
分类器C的损失函数是由于分类错误导致越多的判别错误，该损失函数越大，所以分类器C的损失函数是
Figure BDA0002141220110000082
判别器D损失函数是判别器判断错越多的数据，该损失函数越大，所以判别器D损失函数是
Figure BDA0002141220110000083
Figure BDA0002141220110000084
通过以上计算得到三者的损失函数后，通过Adam优化算法更新权重和偏置，该算法可以直接由tensorflow 的API:tf.train.AdamOptimizer.minimize实现，每次只输入32个样本进行训练，训练结束后返回执行步骤2，若训练次数达到最大值则进入步骤4。
步骤4：将测试集的特征作为输入输入到分类器C，得到判定出来的各自的类别，和真实的类别相比较，可以得到查准率，召回率和 F1-Score均在0.9左右，证明了该模型具有较好的效果。
初始化三个变量，TP代表预测正确的正样本数量，TPFP代表预测得到的正样本数量，TPFN代表真实的正样本数量将测试集中的样本的特征输入到分类器C中得到判断的标签，该标签与原有的真实标签进行对比，遍历整个测试集，对于样本的真实标签y1和预测标签 y2，如果y1[0]＝＝1,则TPFN+1，如果y2[0]＝＝1，则TPFP+1，如果y1[0]＝＝1 且y2[0]＝＝1，则TP+1。查准率由TP/TPFP计算得到，召回率由TP/TPFN 计算得到，F1-Score由2*查准率*召回率/(查准率+召回率得到)。以下结果是在目标网络为Slashdot且已知数据百分比不同情况下支持向量机(SVM)，决策树(DT)，基于条件随机场的迁移学习(TranFG)，基于迁移学习的生成对抗网络(TranGAN)的查准率，召回率和 F1-Score。
查准率
Figure BDA0002141220110000091
召回率
Figure BDA0002141220110000092
Figure BDA0002141220110000101
F1-Score
Figure BDA0002141220110000102
以下是Slashdot为目标网络且训练样本比例不同的情况下的运行时间
运行时间(单位：秒)
20％ 40％ 60％ 80％ 100％
DT 3 3 4 5 5
SVM 4 5 5 6 6
TranFG 167 232 268 311 335
TranGAN 126 157 171 204 237

Claims (2)

1.一种基于生成对抗网络和迁移学习的社交关系预测方法，其特征在于，包括以下步骤：
步骤1：设计均包括三层神经网络的生成器G、分类器C、判别器D，并初始化各神经网络的权值和偏置，其中三层包含输入层、隐藏层和输出层；
步骤2：根据步骤1中神经网络生成新的样本，具体过程如下：对于两个异质的社交网络，采用迁移学习的方法将各自的数据作为全部有标记样本迁移至对方数据集中，即将其中一社交网络中的数据作为全部有标记的样本加入到另一社交网络数据集里，将另一社交网络中的数据迁移至其中一社交网络中；
然后将随机噪音Z和样本X的标签Y作为生成器的输入，经过两层神经网络的运算，最后通过sigmoid函数运算得到与样本特征维度相同的向量
Figure DEST_PATH_IMAGE001
，Y作为它的标签即可得到新的样本，即
Figure 329205DEST_PATH_IMAGE002
，将
Figure DEST_PATH_IMAGE003
作为分类器C的输入，最后通过softmax函数运算输出得到其标签
Figure 105400DEST_PATH_IMAGE004
，从而得到新的样本
Figure DEST_PATH_IMAGE005
；此时共有三种样本：
Figure 353978DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
样本是标签和特征都已有的真实样本；
步骤3：将混有三种样本的数据分批输入到分类器、判别器和生成器里面，根据三个神经网络各自的损失函数，通过Adam算法进行梯度下降从而修改这三个的神经网络的权值和偏差；
步骤4：将测试集的特征作为输入输入到分类器C，得到判定出来的各自的类别。
2.根据权利要求1所述的基于生成对抗网络和迁移学习的社交关系预测方法，其特征在于：所述步骤1中初始化各神经网络的权值和偏置时，其中，权重从服从正态分布的随机变量中随机取数，偏置设置为初始全为0的向量。
CN201910669568.5A 2019-07-24 2019-07-24 一种基于生成对抗网络和迁移学习的社交关系预测方法 Active CN110489661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910669568.5A CN110489661B (zh) 2019-07-24 2019-07-24 一种基于生成对抗网络和迁移学习的社交关系预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910669568.5A CN110489661B (zh) 2019-07-24 2019-07-24 一种基于生成对抗网络和迁移学习的社交关系预测方法

Publications (2)

Publication Number Publication Date
CN110489661A CN110489661A (zh) 2019-11-22
CN110489661B true CN110489661B (zh) 2022-04-26

Family

ID=68548147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910669568.5A Active CN110489661B (zh) 2019-07-24 2019-07-24 一种基于生成对抗网络和迁移学习的社交关系预测方法

Country Status (1)

Country Link
CN (1) CN110489661B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210002B (zh) * 2019-12-30 2022-01-28 北京航空航天大学 一种基于生成对抗网络模型的多层学术网络社区发现方法、系统
CN111539474B (zh) * 2020-04-23 2022-05-10 大连理工大学 一种分类器模型迁移学习方法
CN113343876A (zh) * 2021-06-18 2021-09-03 上海梦象智能科技有限公司 基于对抗生成网络的家用设备电器指纹数据生成方法
CN113961674B (zh) * 2021-12-21 2022-03-22 深圳市迪博企业风险管理技术有限公司 一种关键信息与上市公司公告文本语义匹配方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107464210A (zh) * 2017-07-06 2017-12-12 浙江工业大学 一种基于生成式对抗网络的图像风格迁移方法
CN107945282A (zh) * 2017-12-05 2018-04-20 洛阳中科信息产业研究院(中科院计算技术研究所洛阳分所) 基于对抗网络的快速多视角三维合成和展示方法及装置
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN108682022A (zh) * 2018-04-25 2018-10-19 清华大学 基于对抗迁移网络的视觉跟踪方法及系统
CN109711426A (zh) * 2018-11-16 2019-05-03 中山大学 一种基于gan和迁移学习的病理图片分类装置及方法
CN109753566A (zh) * 2019-01-09 2019-05-14 大连民族大学 基于卷积神经网络的跨领域情感分析的模型训练方法
CN109948663A (zh) * 2019-02-27 2019-06-28 天津大学 一种基于模型抽取的步长自适应的对抗攻击方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6965816B2 (en) * 2001-10-01 2005-11-15 Kline & Walker, Llc PFN/TRAC system FAA upgrades for accountable remote and robotics control to stop the unauthorized use of aircraft and to improve equipment management and public safety in transportation
ES2857000T3 (es) * 2015-10-14 2021-09-28 Univ Leland Stanford Junior Métodos para el diagnóstico de la tuberculosis
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US10262243B2 (en) * 2017-05-24 2019-04-16 General Electric Company Neural network point cloud generation system
EP3655926A1 (en) * 2017-08-08 2020-05-27 Siemens Aktiengesellschaft Synthetic depth image generation from cad data using generative adversarial neural networks for enhancement
CN107958287A (zh) * 2017-11-23 2018-04-24 清华大学 面向跨界大数据分析的对抗迁移学习方法及系统
CN108921281A (zh) * 2018-05-08 2018-11-30 中国矿业大学 一种基于深度网络和对抗技术的领域适配方法
CN108830334B (zh) * 2018-06-25 2020-08-28 江西师范大学 一种基于对抗式迁移学习的细粒度目标判别方法
CN109345507B (zh) * 2018-08-24 2021-07-13 河海大学 一种基于迁移学习的大坝图像裂缝检测方法
CN109523018B (zh) * 2019-01-08 2022-10-18 重庆邮电大学 一种基于深度迁移学习的图片分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107464210A (zh) * 2017-07-06 2017-12-12 浙江工业大学 一种基于生成式对抗网络的图像风格迁移方法
CN107945282A (zh) * 2017-12-05 2018-04-20 洛阳中科信息产业研究院(中科院计算技术研究所洛阳分所) 基于对抗网络的快速多视角三维合成和展示方法及装置
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN108682022A (zh) * 2018-04-25 2018-10-19 清华大学 基于对抗迁移网络的视觉跟踪方法及系统
CN109711426A (zh) * 2018-11-16 2019-05-03 中山大学 一种基于gan和迁移学习的病理图片分类装置及方法
CN109753566A (zh) * 2019-01-09 2019-05-14 大连民族大学 基于卷积神经网络的跨领域情感分析的模型训练方法
CN109948663A (zh) * 2019-02-27 2019-06-28 天津大学 一种基于模型抽取的步长自适应的对抗攻击方法

Also Published As

Publication number Publication date
CN110489661A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110489661B (zh) 一种基于生成对抗网络和迁移学习的社交关系预测方法
CN111881350B (zh) 一种基于混合图结构化建模的推荐方法与系统
CN110232473B (zh) 一种基于大数据金融的黑产用户预测方法
CN112115377B (zh) 一种基于社交关系的图神经网络链路预测推荐方法
Wang et al. DeepDirect: Learning directions of social ties with edge-based network embedding
Zhang et al. Network dynamic GCN influence maximization algorithm with leader fake labeling mechanism
CN113379494B (zh) 基于异质社交关系的商品推荐方法、装置和电子设备
Moayedikia Multi-objective community detection algorithm with node importance analysis in attributed networks
Rodrigues et al. Meta‐heuristic multi‐and many‐objective optimization techniques for solution of machine learning problems
CN113344615B (zh) 一种基于gbdt和dl融合模型的营销活动预测方法
Qiu et al. An adaptive social spammer detection model with semi-supervised broad learning
CN113554100B (zh) 异构图注意力网络增强的Web服务分类方法
Han et al. Link Prediction and Node Classification on Citation Network
CN112819024B (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
CN113868537B (zh) 一种基于多行为会话图融合的推荐方法
Gao et al. Multi-scale features based interpersonal relation recognition using higher-order graph neural network
Zhou et al. Learning to correlate accounts across online social networks: An embedding-based approach
Ding et al. SOIDP: Predicting interlayer links in multiplex networks
CN117312675A (zh) 一种基于个性化因果分解的去偏方法及推荐系统
İş et al. A Profile Analysis of User Interaction in Social Media Using Deep Learning.
CN116304311A (zh) 一种在线社交网络垃圾评论用户检测方法
Zhang et al. Differential evolution-based weighted majority voting for crowdsourcing
CN113159976B (zh) 一种微博网络重要用户的识别方法
Zhao et al. Detecting fake reviews via dynamic multimode network
Khatri et al. Influence maximization in social networks using discretized harris hawks optimization algorithm and neighbour scout strategy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant