CN110650046A - 网络节点重要性评分模型训练、重要性检测方法及装置 - Google Patents
网络节点重要性评分模型训练、重要性检测方法及装置 Download PDFInfo
- Publication number
- CN110650046A CN110650046A CN201910902554.3A CN201910902554A CN110650046A CN 110650046 A CN110650046 A CN 110650046A CN 201910902554 A CN201910902554 A CN 201910902554A CN 110650046 A CN110650046 A CN 110650046A
- Authority
- CN
- China
- Prior art keywords
- network node
- sample network
- attribute
- node
- importance
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种网络节点重要性评分模型训练、重要性检测方法及装置，包括：获取至少一个样本网络节点的第一属性信息以及每一个样本网络节点的重要性评分；基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量；将所述样本网络节点的属性特征向量输入至评分模型中，得到该样本网络节点的预测评分；基于各个样本网络节点的预测评分以及所述重要性评分，对所述评分模型进行训练，得到所述网络节点重要性评分模型。通过这种方法，可以提高网络节点重要性预测的准确率。
Description
技术领域
本申请涉及互联网技术领域，尤其是涉及一种网络节点重要性评分模型训练、重要性检测方法及装置。
背景技术
随着信息技术的迅猛发展，人类的社会活动日趋网络化，人们生活开始被各种网络包围，如社交网络、通信网络、交通网络等。网络由网络中的节点互联构成，网络中各个节点的利用率不同，这就导致不同节点在同一网络中的重要性不同，对于重要性较高的节点，需要提高利用率来提高网络的利用率。
现有技术中主要通过基于随机游走的节点重要性排序方法、以及基于网络局部属性的节点重要性排序方法来确定网络中各个节点的重要性。当前的节点重要性排序方法都存在排序精度差的问题。
发明内容
有鉴于此，本申请的目的在于提供一种网络节点重要性评分模型训练、重要性检测方法及装置，以提高网络节点重要性预测的准确率。
第一方面，本申请实施例提供了一种网络节点重要性评分模型训练方法，包括：
获取至少一个样本网络节点的第一属性信息以及每一个样本网络节点的重要性评分，所述第一属性信息用于表征所述样本网络节点在业务网络中与其他样本网络节点之间的关联关系、关联关系类型、以及所述样本网络节点的自身属性，所述重要性评分用于表征所述样本网络节点在所述业务网络中的重要性；
基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量；
将所述样本网络节点的属性特征向量输入至评分模型中，得到该样本网络节点的预测评分；
基于各个样本网络节点的预测评分以及所述重要性评分，对所述评分模型进行训练，得到所述网络节点重要性评分模型。
一种可能的实施方式中，所述基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量，包括：
基于各个所述样本网络节点的第一属性信息，确定各个所述样本网络节点的第一属性值；
针对当前样本网络节点，基于所述当前样本网络节点的第一属性信息，确定与所述当前样本网络节点具有关联关系的其他样本网络节点；
基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
一种可能的实施方式中，所述关联关系类型为多种；
每一种类型的关联关系包括第一关联关系和第二关联关系两种指向关系；所述第一关联关系为从所述样本网络节点到属于同一业务网络中的其他样本网络节点的指向关系，所述第二关联关系为从所述其他样本网络节点至所述样本网络节点的指向关系。
一种可能的实施方式中，所述基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量，包括：
针对每一种关联关系执行以下操作，确定第一特征向量、以及第二特征向量：
基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值；以及，
基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值；
基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
一种可能的实施方式中，针对每一种关联关系，所述基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值，包括：
将与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值进行求和运算，并将求和结果作为所述第一特征值。
一种可能的实施方式中，针对每一种关联关系，所述基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值，包括：
将与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数与所述当前样本网络节点的第一属性值相乘，并将乘积作为所述当前样本网络节点的第二特征值。
一种可能的实施方式中，所述基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量，包括：
将所有关联关系的第一特征值、第二特征值、以及所述当前样本网络节点的第一属性值确定为所述当前样本网络节点的属性特征向量中的元素。
一种可能的实施方式中，所述评分模型包括至少一个评分子模型；
所述将所述样本网络节点的属性特征向量输入至评分模型中，得到所述样本网络节点的预测评分，包括：
将所述样本网络节点的属性特征向量分别输入到每一个评分子模型中，得到每一个评分子模型对所述样本网络节点的第一预测评分；
将所述第一预测评分进行加权求和，得到所述样本网络节点的预测评分。
第二方面，本申请实施例提供了一种重要性检测方法，包括：
获取待检测节点的第一属性信息；所述第一属性信息用于表征所述待检测节点与业务网络中其他节点之间的关联关系、关联关系类型、以及所述待检测节点的自身属性；
基于所述待检测节点的第一属性信息，确定所述待检测节点的属性特征向量；
将所述待检测节点的属性特征向量输入至网络节点重要性评分模型中，得到所述待检测节点的重要性评分；
基于所述待检测节点的重要性评分确定所述待检测节点的重要性。
第三方面，本申请实施例提供了一种网络节点重要性评分模型训练装置，包括：
获取模块，用于获取至少一个样本网络节点的第一属性信息以及每一个样本网络节点的重要性评分，所述第一属性信息用于表征所述样本网络节点在业务网络中与其他样本网络节点之间的关联关系类型、以及所述样本网络节点的自身属性，所述重要性评分用于表征所述样本网络节点在所述业务网络中的重要性；
确定模块，用于基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量；
预测模块，用于将所述样本网络节点的属性特征向量输入至评分模型中，得到该样本网络节点的预测评分；
训练模块，用于基于各个样本网络节点的预测评分以及所述重要性评分，对所述评分模型进行训练，得到所述网络节点重要性评分模型。
一种可能的实施方式中，所述确定模块，在基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量时，具体用于：
基于各个所述样本网络节点的第一属性信息，确定各个所述样本网络节点的第一属性值；
针对当前样本网络节点，基于所述当前样本网络节点的第一属性信息，确定与所述当前样本网络节点具有关联关系的其他样本网络节点；
基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
一种可能的实施方式中，所述关联关系类型为多种；
每一种类型的关联关系包括第一关联关系和第二关联关系两种指向关系；所述第一关联关系为从所述样本网络节点到属于同一业务网络中的其他样本网络节点的指向关系，所述第二关联关系为从所述其他样本网络节点至所述样本网络节点的指向关系。
一种可能的实施方式中，所述确定模块，在基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量，具体用于：
针对每一种关联关系执行以下操作，确定第一特征向量、以及第二特征向量：
基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值；以及，
基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值；
基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
一种可能的实施方式中，针对每一种关联关系，所述确定模块，在基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值，具体用于：
将与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值进行求和运算，并将求和结果作为所述第一特征值。
一种可能的实施方式中，针对每一种关联关系，所述确定模块，在基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值时，具体用于：
将与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数与所述当前样本网络节点的第一属性值相乘，并将乘积作为所述当前样本网络节点的第二特征值。
一种可能的实施方式中，所述确定模块，在基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量时，具体用于：
将所有关联关系的第一特征值、第二特征值、以及所述当前样本网络节点的第一属性值确定为所述当前样本网络节点的属性特征向量中的元素。
一种可能的实施方式中，所述评分模型包括至少一个评分子模型；
所述预测模块，在将所述样本网络节点的属性特征向量输入至评分模型中，得到所述样本网络节点的预测评分时，具体用于：
将所述样本网络节点的属性特征向量分别输入到每一个评分子模型中，得到每一个评分子模型对所述样本网络节点的第一预测评分；
将所述第一预测评分进行加权求和，得到所述样本网络节点的预测评分。
第四方面，本申请实施例提供了一种重要性检测装置，包括：
第一获取模块，用于获取待检测节点的第一属性信息；所述第一属性信息用于表征所述待检测节点与业务网络中其他节点之间的连接关系、连接关系类型、以及所述待检测节点的自身属性；
第一确定模块，用于基于所述待检测节点的第一属性信息，确定所述待检测节点的属性特征向量；
第一预测模块，用于将所述待检测节点的属性特征向量输入至网络节点重要性评分模型中，得到所述待检测节点的重要性评分；
第二确定模块，用于基于所述待检测节点的重要性评分确定所述待检测节点的重要性。
第五方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式、或第二方面的步骤。
第六方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式、或第二方面的步骤。
本申请实施例提供的网络节点重要性评分模型训练、重要性检测方法及装置，在对网络节点重要性评分模型进行训练时，所获取的样本网络节点的第一属性信息除了可以表征样本网络节点的自身属性，还可以表征样本网络节点中在业务网络中与其他样本网络节点之间的连接关系以及连接关系类型，因此，通过第一属性信息确定的属性特征向量也同时可以表征样本网络节点的自身属性、以及样本网络节点在业务网络中与其他样本网络节点之间的连接关系，因此通过这种样本数据训练处的网络节点重要性评分模型在对网络节点的重要性进行评判时，可以根据获取的待检测网络节点的属性特征向量，对待检测网络节点的重要性进行评分，提高了网络节点重要性预测的准确率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种网络节点重要性评分模型训练方法的流程示意图；
图2示出了本申请实施例所提供的一种指向关系示意图；
图3示出了本申请实施例所提供的一种重要性检测方法的流程示意图；
图4示出了本申请实施例所提供的一种网络节点重要性评分模型训练装置的机构示意图；
图5示出了本申请实施例所提供的一种重要性检测装置的架构示意图；
图6示出了本申请实施例所提供的电子设备600的结构示意图；
图7示出了本申请实施例所提供的电子设备700的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
现有技术中，主要通过基于随机游走的节点重要性排序方法、以及基于网络局部属性的节点重要性排序方法来确定网络中各个节点的重要性。基于随机游走的节点重要性排序方法是基于节点之间的链接关系而进行节点重要性排序的方法，这种方法没有考虑到节点本身的自身属性，因此排序结果比较片面；基于网络局部属性的节点重要性排序方法仅仅根据网络节点的自身属性进行重要性排序，而没有考虑网络中各个节点之间的链接关系，因此，这种方法也比较片面。
基于此，本方案提供了一种网络节点重要性评分模型训练、重要性检测方法及装置，在对网络节点重要性评分模型进行训练时，样本数据中即结合了样本网络节点的自身属性，又结合了样本网络节点与其他样本网络节点之间的连接关系，由此训练处的网络节点重要性评分模型在对网络节点的重要性进行预测时，准确率更高。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种网络节点重要性评分模型训练方法展开介绍。
实施例一
参见图1所示，为本申请实施例所提供的一种网络节点重要性评分模型训练方法的流程示意图，包括以下几个步骤：
步骤101、获取至少一个样本网络节点的第一属性信息以及每一个样本网络节点的重要性评分。
其中，第一属性信息用于表征样本网络节点在业务网络中与其他样本网络节点之间的连接关系、以及样本网络节点的自身属性；重要性评分用于保证样本网络节点在业务网络中的重要性。
示例性的，第一属性信息可以包括样本网络节点的自身属性、以及网络属性，网络属性即样本网络节点在业务网络中与其他样本网络节点之间的关联关系、以及关联关系类型。
需要说明的是，关联关系类型有多种，每一种关联关系都包括第一关联关系和第二关联关系两种指向关系，第一关联关系为从样本网络节点到属于同一网络中的其他样本网络节点的指向关系，第二关联关系为从其他样本网络节点至样本网络节点的指向关系。
示例性的，如图2所示，设A、B、C为属于同一业务网络的网络节点，A和B之间、B和C之间都具有第i类关联关系，第i类关联关系包含的第一关联关系为从网络节点A到网络节点B的指向关系，第i类关联关系包含的第二关联关系为从网络节点B到网络节点C的指向关系。
因此，在确定两个网络节点之间的关系时，可以先确定两个网络节点之间的关联关系的类型，然后确定在该种类型的关联关系下的指向关系。
在一种可能的实施方式中，训练数据中的所有样本网络节点来自于同一个业务网络，业务网络的类型例如可以为社交网络、通信网络、交通网络等；在另外一种可能的实施方式中，训练数据中的样本网络节点还可以来自于不同的业务网络，需要说明的是，所获取的样本网络节点的第一属性信息中所包含的与样本网络节点与其他样本网络节点之间的关联关系类型中所述的其他样本网络节点与该样本网络节点需来自于同一业务网络中。
样本网络节点的重要性评分可以是人工进行评分，本申请一示例中，可以先对同一业务网络中所包含的所有样本网络节点根据人为经验进行重要性排序，然后基于排序结果为各个样本网络节点分配重要性评分。
示例性的，若在一业务网络中样本网络节点A、B、C、D的重要性排序结果为C>B>D>A，在为样本网络节点A、B、C、D分配重要性评分时可以是为网络节点A分配的重要性评分为1、为网络节点B分配的重要性评分为0.75、为网络节点C分配的重要性评分为0.5、为网络节点D分配的重要性评分为0.25。各个样本网络节点的重要性评分的取值可以随机取值，但是取值结果的排序要满足样本网络节点的重要性排序结果。
步骤102、基于各个样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量。
具体实施中，在基于各个样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量时，可以先基于各个样本网络节点的第一属性信息，确定各个样本网络节点的第一属性值，然后针对当前样本网络节点，可以基于当前样本网络节点的第一属性信息，确定与当前样本网络节点具有关联关系的其他样本网络节点，并基于与当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的属性特征向量。
在基于样本网络节点的第一属性信息，确定样本网络节点的第一属性值时，可以将样本网络节点的第一属性信息中所包含的自身属性的取值，确定为样本网络节点的第一属性值。
在一种可能的应用场景中，第一属性信息中所包含的自身属性可能包括多个属性，例如在社交网络中，网络节点可能为人，网络节点的自身属性可能包括年龄、职业、网龄等，针对这种情况，在确定样本网络节点的第一属性值时，可以将自身属性所包括的各个属性的取值输入至预先训练好的神经网络中，输出得到样本网络节点的第一属性值。
需要说明的是，在不同的业务网络中，业务节点的自身属性所包含的属性类型可能并不相同，因此，在确定第一属性值时所应用到的神经网络的类型并不相同。
具体在基于当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的属性特征向量时，针对每一种关联关系，可以先确定第一特征向量和第二特征向量，然后基于每一种关联关系下的第一特征向量和第二特征向量、以及当前样本网络节点的第一属性值，确定当前样本网络节点的属性特征向量。
其中，确定第一特征值时，可以将与当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值。
具体的，可以将与当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值进行求和运算，并将求和结果作为第一特征值。
具体的运算过程可以参照下述公式：
Pi表示第i类关联关系下的第一特征值，表示所有与当前样本网络节点具有第一关联关系的样本网络节点的集合，θc表示第c个样本网络节点的第一属性值。
示例性的，若在第i类关联关系下与当前样本网络节点具有第一关联关系的样本网络节点为Q、W、E、R，则在第i类关联关系下当前样本网络节点的第一特征值为样本网络节点Q、W、E、R的第一属性值之和。
在确定第二特征值时，可以基于与当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值。
具体的，可以将与当前样本网络节点具有第二关联关系的其他样本网络节点的个数与当前样本网络节点的第一属性值相乘，并将乘积作为当前样本网络节点的第二特征值。
具体的计算过程，可以参照下述公式：
Qj＝|β|θ
其中，Qj表示在第j类关联关系下的第二特征值，β表示与当前样本网络节点具有第二关联关系的其他样本网络节点集合，|β|表示与当前样本网络节点具有第二关联关系的其他样本网络节点集合中所包含的元素的个数，θ表示当前样本网络节点的第一属性值。
步骤103、将样本网络节点的属性特征向量输入至评分模型中，得到该样本网络节点的预测评分。
一种可能的实施方式中，评分模型可以包括至少一个评分子模型，每个子模型的模型类型包括但不仅限于线性回归模型、逻辑回归模型、神经网络。
在将样本网络节点的属性特征向量输入到评分模型中时，可以将样本网络节点的属性特征向量输入到各个评分子模型中，然后输出得到每一个评分子模型对样本网络节点的第一预测评分，在将第一预测评分进行加权求和，得到样本网络节点的预测评分。
步骤104、基于各个样本网络节点的预测评分以及重要性评分，对评分模型进行训练，得到网络节点重要性评分模型。
具体训练时，可以计算各个样本网络节点的预测评分与重要评分之间方差，然后当方差大于预设方差时，调整各个评分子模型的模型参数以及在对各个评分子模型进行加权求和时所应用的权重，并重新步骤103的步骤，直至最终确定出的方差不大于预设方差。
基于相同的构思，本申请实施例还提供了一种重要性检测方法，参见图3所示，为本申请实施例所提供的一种重要性检测方法的流程示意图，包括以下几个步骤：
步骤301、获取待检测节点的第一属性信息。
第一属性信息用于表征待检测节点与业务网络中其他节点之间的连接关联关系、以及待检测节点的自身属性；
步骤302、基于待检测节点的第一属性信息，确定待检测节点的属性特征向量。
步骤303、将待检测节点的属性特征向量输入至网络节点重要性评分模型中，得到待检测节点的重要性评分。
步骤304、基于待检测节点的重要性评分确定待检测节点的重要性。
具体实施中，在基于待检测节点的重要性评分确定待检测节点的重要性时，可以根据待检测节点的重要性评分确定待检测节点所在的重要性等级，例如重要性等级可以分为初级，中级，高级，当检测到待检测节点的重要性等级为高级时，可以在业务网络中对待检测节点进行标注，提高对待检测节点的利用率，从未提高业务网络的利用率。
本申请实施例提供的网络节点重要性评分模型训练、重要性检测方法，在对网络节点重要性评分模型进行训练时，所获取的样本网络节点的第一属性信息除了可以表征样本网络节点的自身属性，还可以表征样本网络节点中在业务网络中与其他样本网络节点之间的连接关系，因此，通过第一属性信息确定的属性特征向量也同时可以表征样本网络节点的自身属性、以及样本网络节点在业务网络中与其他样本网络节点之间的连接关系，因此通过这种样本数据训练处的网络节点重要性评分模型在对网络节点的重要性进行评判时，可以根据获取的待检测网络节点的属性特征向量，对待检测网络节点的重要性进行评分，提高了网络节点重要性预测的准确率。
实施例二
基于相同的构思，本申请实施例还提供了一种网络节点重要性评分模型训练装置，参见图4所示，为本申请实施例所提供的一种网络节点重要性评分模型训练装置的机构示意图，包括获取模块401、确定模块402、预测模块403、以及训练模块404，具体的：
获取模块401，用于获取至少一个样本网络节点的第一属性信息以及每一个样本网络节点的重要性评分，所述第一属性信息用于表征所述样本网络节点在业务网络中与其他样本网络节点之间的关联关系类型、以及所述样本网络节点的自身属性，所述重要性评分用于表征所述样本网络节点在所述业务网络中的重要性；
确定模块402，用于基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量；
预测模块403，用于将所述样本网络节点的属性特征向量输入至评分模型中，得到该样本网络节点的预测评分；
训练模块404，用于基于各个样本网络节点的预测评分以及所述重要性评分，对所述评分模型进行训练，得到所述网络节点重要性评分模型。
一种可能的实施方式中，所述确定模块402，在基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量时，具体用于：
基于各个所述样本网络节点的第一属性信息，确定各个所述样本网络节点的第一属性值；
针对当前样本网络节点，基于所述当前样本网络节点的第一属性信息，确定与所述当前样本网络节点具有关联关系的其他样本网络节点；
基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
一种可能的实施方式中，所述关联关系类型为多种；
每一种类型的关联关系包括第一关联关系和第二关联关系两种指向关系；所述第一关联关系为从所述样本网络节点到属于同一业务网络中的其他样本网络节点的指向关系，所述第二关联关系为从所述其他样本网络节点至所述样本网络节点的指向关系。
一种可能的实施方式中，所述确定模块402，在基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量，具体用于：
针对每一种关联关系执行以下操作，确定第一特征向量、以及第二特征向量：
基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值；以及，
基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值；
基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
一种可能的实施方式中，针对每一种关联关系，所述确定模块402，在基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值，具体用于：
将与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值进行求和运算，并将求和结果作为所述第一特征值。
一种可能的实施方式中，针对每一种关联关系，所述确定模块402，在基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值时，具体用于：
将与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数与所述当前样本网络节点的第一属性值相乘，并将乘积作为所述当前样本网络节点的第二特征值。
一种可能的实施方式中，所述确定模块402，在基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量时，具体用于：
将所有关联关系的第一特征值、第二特征值、以及所述当前样本网络节点的第一属性值确定为所述当前样本网络节点的属性特征向量中的元素。
一种可能的实施方式中，所述评分模型包括至少一个评分子模型；
所述预测模块403，在将所述样本网络节点的属性特征向量输入至评分模型中，得到所述样本网络节点的预测评分时，具体用于：
将所述样本网络节点的属性特征向量分别输入到每一个评分子模型中，得到每一个评分子模型对所述样本网络节点的第一预测评分；
将所述第一预测评分进行加权求和，得到所述样本网络节点的预测评分。
本申请实施例还提供了一种重要性检测装置，参见图5所示，为本申请实施例所提供的一种重要性检测装置的架构示意图，包括第一获取模块501、第一确定模块502、第一预测模块503、以及第二确定模块504，具体的：
第一获取模块501，用于获取待检测节点的第一属性信息；所述第一属性信息用于表征所述待检测节点与业务网络中其他节点之间的连接关系、连接关系类型、以及所述待检测节点的自身属性；
第一确定模块502，用于基于所述待检测节点的第一属性信息，确定所述待检测节点的属性特征向量；
第一预测模块503，用于将所述待检测节点的属性特征向量输入至网络节点重要性评分模型中，得到所述待检测节点的重要性评分；
第二确定模块504，用于基于所述待检测节点的重要性评分确定所述待检测节点的重要性。
本申请实施例提供的网络节点重要性评分模型训练、重要性检测装置，在对网络节点重要性评分模型进行训练时，所获取的样本网络节点的第一属性信息除了可以表征样本网络节点的自身属性，还可以表征样本网络节点中在业务网络中与其他样本网络节点之间的连接关系以及连接关系类型，因此，通过第一属性信息确定的属性特征向量也同时可以表征样本网络节点的自身属性、以及样本网络节点在业务网络中与其他样本网络节点之间的连接关系，因此通过这种样本数据训练处的网络节点重要性评分模型在对网络节点的重要性进行评判时，可以根据获取的待检测网络节点的属性特征向量，对待检测网络节点的重要性进行评分，提高了网络节点重要性预测的准确率。
实施例三
基于同一技术构思，本申请实施例还提供了一种电子设备。参照图6所示，为本申请实施例提供的电子设备600的结构示意图，包括处理器601、存储器602、和总线603。其中，存储器602用于存储执行指令，包括内存6021和外部存储器6022；这里的内存6021也称内存储器，用于暂时存放处理器601中的运算数据，以及与硬盘等外部存储器6022交换的数据，处理器601通过内存6021与外部存储器6022进行数据交换，当电子设备600运行时，处理器601与存储器602之间通过总线603通信，使得处理器601在执行以下指令：
获取至少一个样本网络节点的第一属性信息以及每一个样本网络节点的重要性评分，所述第一属性信息用于表征所述样本网络节点在业务网络中与其他样本网络节点之间的关联关系、关联关系类型、以及所述样本网络节点的自身属性，所述重要性评分用于表征所述样本网络节点在所述业务网络中的重要性；
基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量；
将所述样本网络节点的属性特征向量输入至评分模型中，得到该样本网络节点的预测评分；
基于各个样本网络节点的预测评分以及所述重要性评分，对所述评分模型进行训练，得到所述网络节点重要性评分模型。
一种可能的实施方式中，处理器601执行的指令中，所述基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量，包括：
基于各个所述样本网络节点的第一属性信息，确定各个所述样本网络节点的第一属性值；
针对当前样本网络节点，基于所述当前样本网络节点的第一属性信息，确定与所述当前样本网络节点具有关联关系的其他样本网络节点；
基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
一种可能的实施方式中，处理器601执行的指令中，所述关联关系类型为多种；
每一种类型的关联关系包括第一关联关系和第二关联关系两种指向关系；所述第一关联关系为从所述样本网络节点到属于同一业务网络中的其他样本网络节点的指向关系，所述第二关联关系为从所述其他样本网络节点至所述样本网络节点的指向关系。
一种可能的实施方式中，处理器601执行的指令中，所述基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量，包括：
针对每一种关联关系执行以下操作，确定第一特征向量、以及第二特征向量：
基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值；以及，
基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值；
基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
一种可能的实施方式中，处理器601执行的指令中，针对每一种关联关系，所述基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值，包括：
将与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值进行求和运算，并将求和结果作为所述第一特征值。
一种可能的实施方式中，处理器601执行的指令中，针对每一种关联关系，所述基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值，包括：
将与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数与所述当前样本网络节点的第一属性值相乘，并将乘积作为所述当前样本网络节点的第二特征值。
一种可能的实施方式中，处理器601执行的指令中，所述基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量，包括：
将所有关联关系的第一特征值、第二特征值、以及所述当前样本网络节点的第一属性值确定为所述当前样本网络节点的属性特征向量中的元素。
一种可能的实施方式中，处理器601执行的指令中，所述评分模型包括至少一个评分子模型；
所述将所述样本网络节点的属性特征向量输入至评分模型中，得到所述样本网络节点的预测评分，包括：
将所述样本网络节点的属性特征向量分别输入到每一个评分子模型中，得到每一个评分子模型对所述样本网络节点的第一预测评分；
将所述第一预测评分进行加权求和，得到所述样本网络节点的预测评分。
基于同一技术构思，本申请实施例还提供了一种电子设备。参照图7所示，为本申请实施例提供的电子设备700的结构示意图，包括处理器701、存储器702、和总线703。其中，存储器702用于存储执行指令，包括内存7021和外部存储器7022；这里的内存7021也称内存储器，用于暂时存放处理器701中的运算数据，以及与硬盘等外部存储器7022交换的数据，处理器701通过内存7021与外部存储器7022进行数据交换，当电子设备700运行时，处理器701与存储器702之间通过总线703通信，使得处理器701在执行以下指令：
获取待检测节点的第一属性信息；所述第一属性信息用于表征所述待检测节点与业务网络中其他节点之间的关联关系、关联关系类型、以及所述待检测节点的自身属性；
基于所述待检测节点的第一属性信息，确定所述待检测节点的属性特征向量；
将所述待检测节点的属性特征向量输入至网络节点重要性评分模型中，得到所述待检测节点的重要性评分；
基于所述待检测节点的重要性评分确定所述待检测节点的重要性。
实施例四
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一实施例中所述的网络节点的重要性评分模型训练、重要性检测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述网络节点的重要性评分模型训练、重要性检测方法的步骤，从而提高网络节点重要性预测的准确率。
本申请实施例所提供的进行网络节点的重要性评分模型训练、重要性检测方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (13)
1.一种网络节点重要性评分模型训练方法，其特征在于，包括：
获取至少一个样本网络节点的第一属性信息以及每一个样本网络节点的重要性评分，所述第一属性信息用于表征所述样本网络节点在业务网络中与其他样本网络节点之间的关联关系、关联关系类型、以及所述样本网络节点的自身属性，所述重要性评分用于表征所述样本网络节点在所述业务网络中的重要性；
基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量；
将所述样本网络节点的属性特征向量输入至评分模型中，得到该样本网络节点的预测评分；
基于各个样本网络节点的预测评分以及所述重要性评分，对所述评分模型进行训练，得到所述网络节点重要性评分模型。
2.根据权利要求1所述的方法，其特征在于，所述基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量，包括：
基于各个所述样本网络节点的第一属性信息，确定各个所述样本网络节点的第一属性值；
针对当前样本网络节点，基于所述当前样本网络节点的第一属性信息，确定与所述当前样本网络节点具有关联关系的其他样本网络节点；
基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
3.根据权利要求2所述的方法，其特征在于，所述关联关系类型为多种；
每一种类型的关联关系包括第一关联关系和第二关联关系两种指向关系；所述第一关联关系为从所述样本网络节点到属于同一业务网络中的其他样本网络节点的指向关系，所述第二关联关系为从所述其他样本网络节点至所述样本网络节点的指向关系。
4.根据权利要求3所述的方法，其特征在于，所述基于与所述当前样本网络节点具有关联关系的其他样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量，包括：
针对每一种关联关系执行以下操作，确定第一特征向量、以及第二特征向量：
基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值；以及，
基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值；
基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量。
5.根据权利要求4所述的方法，其特征在于，针对每一种关联关系，所述基于与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值，确定当前样本网络节点的第一特征值，包括：
将与所述当前样本网络节点具有第一关联关系的其他样本网络节点的第一属性值进行求和运算，并将求和结果作为所述第一特征值。
6.根据权利要求4所述的方法，其特征在于，针对每一种关联关系，所述基于与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数，确定当前样本网络节点的第二特征值，包括：
将与所述当前样本网络节点具有第二关联关系的其他样本网络节点的个数与所述当前样本网络节点的第一属性值相乘，并将乘积作为所述当前样本网络节点的第二特征值。
7.根据权利要求4所述的方法，其特征在于，所述基于每一种关联关系的所述第一特征值、以及所述第二特征值、以及所述当前样本网络节点的第一属性值，确定所述当前样本网络节点的属性特征向量，包括：
将所有关联关系的第一特征值、第二特征值、以及所述当前样本网络节点的第一属性值确定为所述当前样本网络节点的属性特征向量中的元素。
8.根据权利要求1所述的方法，其特征在于，所述评分模型包括至少一个评分子模型；
所述将所述样本网络节点的属性特征向量输入至评分模型中，得到所述样本网络节点的预测评分，包括：
将所述样本网络节点的属性特征向量分别输入到每一个评分子模型中，得到每一个评分子模型对所述样本网络节点的第一预测评分；
将所述第一预测评分进行加权求和，得到所述样本网络节点的预测评分。
9.一种重要性检测方法，其特征在于，包括：
获取待检测节点的第一属性信息；所述第一属性信息用于表征所述待检测节点与业务网络中其他节点之间的关联关系、关联关系类型、以及所述待检测节点的自身属性；
基于所述待检测节点的第一属性信息，确定所述待检测节点的属性特征向量；
将所述待检测节点的属性特征向量输入至网络节点重要性评分模型中，得到所述待检测节点的重要性评分；
基于所述待检测节点的重要性评分确定所述待检测节点的重要性。
10.一种网络节点重要性评分模型训练装置，其特征在于，包括：
获取模块，用于获取至少一个样本网络节点的第一属性信息以及每一个样本网络节点的重要性评分，所述第一属性信息用于表征所述样本网络节点在业务网络中与其他样本网络节点之间的关联关系类型、以及所述样本网络节点的自身属性，所述重要性评分用于表征所述样本网络节点在所述业务网络中的重要性；
确定模块，用于基于各个所述样本网络节点的第一属性信息，确定每一个样本网络节点的属性特征向量；
预测模块，用于将所述样本网络节点的属性特征向量输入至评分模型中，得到该样本网络节点的预测评分；
训练模块，用于基于各个样本网络节点的预测评分以及所述重要性评分，对所述评分模型进行训练，得到所述网络节点重要性评分模型。
11.一种重要性检测装置，其特征在于，包括：
第一获取模块，用于获取待检测节点的第一属性信息；所述第一属性信息用于表征所述待检测节点与业务网络中其他节点之间的连接关系、连接关系类型、以及所述待检测节点的自身属性；
第一确定模块，用于基于所述待检测节点的第一属性信息，确定所述待检测节点的属性特征向量；
第一预测模块，用于将所述待检测节点的属性特征向量输入至网络节点重要性评分模型中，得到所述待检测节点的重要性评分；
第二确定模块，用于基于所述待检测节点的重要性评分确定所述待检测节点的重要性。
12.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至8任一所述的网络节点重要性评分模型训练方法，或执行如权利要求9所述的重要性检测方法的步骤。
13.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至8任一所述的网络节点重要性评分模型训练方法，或执行如权利要求9所述的重要性检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910902554.3A CN110650046A (zh) | 2019-09-24 | 2019-09-24 | 网络节点重要性评分模型训练、重要性检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910902554.3A CN110650046A (zh) | 2019-09-24 | 2019-09-24 | 网络节点重要性评分模型训练、重要性检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110650046A true CN110650046A (zh) | 2020-01-03 |
Family
ID=69011133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910902554.3A Pending CN110650046A (zh) | 2019-09-24 | 2019-09-24 | 网络节点重要性评分模型训练、重要性检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110650046A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105704168A (zh) * | 2014-11-24 | 2016-06-22 | 中国移动通信集团公司 | 一种调整物联网中的网络节点之间关系的方法和装置 |
| CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
| CN108809709A (zh) * | 2018-06-06 | 2018-11-13 | 山东大学 | 一种基于节点亲密性与标签传播的社区发现方法 |
| CN111583031A (zh) * | 2020-05-15 | 2020-08-25 | 上海海事大学 | 一种基于集成学习的申请评分卡模型建立方法 |
| CN113055218A (zh) * | 2019-12-29 | 2021-06-29 | 中国移动通信集团浙江有限公司 | Nfv网络的冗余性评价方法、装置及计算设备 |
-
2019
- 2019-09-24 CN CN201910902554.3A patent/CN110650046A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105704168A (zh) * | 2014-11-24 | 2016-06-22 | 中国移动通信集团公司 | 一种调整物联网中的网络节点之间关系的方法和装置 |
| CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
| CN108809709A (zh) * | 2018-06-06 | 2018-11-13 | 山东大学 | 一种基于节点亲密性与标签传播的社区发现方法 |
| CN113055218A (zh) * | 2019-12-29 | 2021-06-29 | 中国移动通信集团浙江有限公司 | Nfv网络的冗余性评价方法、装置及计算设备 |
| CN111583031A (zh) * | 2020-05-15 | 2020-08-25 | 上海海事大学 | 一种基于集成学习的申请评分卡模型建立方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李娜等: "基于多标记重要性排序的分类器链算法", 《模式识别与人工智能》 * |
| 王建等: "基于BP模型的KAD网络核心节点识别算法研究", 《计算机工程与应用》 * |
| 王晓磊 等: "基于流量统计的P2P 网络关键节点识别", 《计算机应用研究》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
| CN109460793B (zh) | 一种节点分类的方法、模型训练的方法及装置 | |
| CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
| CN110766080B (zh) | 一种标注样本确定方法、装置、设备及存储介质 | |
| CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
| CN109685805B (zh) | 一种图像分割方法及装置 | |
| CN111160783A (zh) | 数字资产价值的评价方法、系统及电子设备 | |
| CN114627330A (zh) | 时序流量预测方法及装置、存储介质及电子设备 | |
| CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
| CN110457387B (zh) | 一种应用于网络中用户标签确定的方法及相关装置 | |
| US20070198252A1 (en) | Optimum design management apparatus, optimum design calculation system, optimum design management method, and optimum design management program | |
| CN113569162A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN112148986A (zh) | 一种基于众包的top-N服务再推荐方法及系统 | |
| CN115439192A (zh) | 医疗商品信息的推送方法及装置、存储介质、计算机设备 | |
| CN111882048A (zh) | 一种神经网络结构搜索方法及相关设备 | |
| CN110880117A (zh) | 虚假业务识别方法、装置、设备和存储介质 | |
| CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
| CN110633971A (zh) | 资损估计方法以及装置 | |
| CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
| CN116049678A (zh) | 特征贡献度评估方法、装置、电子设备和存储介质 | |
| CN110650046A (zh) | 网络节点重要性评分模型训练、重要性检测方法及装置 | |
| CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
| CN115203556A (zh) | 一种评分预测模型训练方法、装置、电子设备及存储介质 | |
| CN114821173A (zh) | 图像分类方法、装置、设备及存储介质 | |
| CN111625817A (zh) | 异常用户识别方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200103 |
|
| RJ01 | Rejection of invention patent application after publication |