CN110688306A - 基于概率图模型的移动应用风险等级推理评估方法及装置 - Google Patents
基于概率图模型的移动应用风险等级推理评估方法及装置 Download PDFInfo
- Publication number
- CN110688306A CN110688306A CN201910834943.7A CN201910834943A CN110688306A CN 110688306 A CN110688306 A CN 110688306A CN 201910834943 A CN201910834943 A CN 201910834943A CN 110688306 A CN110688306 A CN 110688306A
- Authority
- CN
- China
- Prior art keywords
- model
- mobile application
- risk level
- attributes
- probabilistic
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3608—Software analysis for verifying properties of programs using formal methods, e.g. model checking, abstract interpretation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Telephone Function (AREA)
Abstract
本发明公开了一种基于概率图模型的移动应用风险等级推理评估方法及装置,所述方法包括:对已经标注风险等级的移动应用的属性进行过滤,得到对移动应用区分有帮助的属性;通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练;利用训练好的概率图模型对新的移动应用进行风险等级推理评估。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于概率图模型的移动应用风险等级推理评估方法及装置。
背景技术
近年来,随着智能手机终端的普及和移动互联网的迅猛发展,移动应用彻底改变了信息传播的生态格局,已代替网站/网页成为网民获取信息或服务的主要方式。同时,移动应用也成为色情、赌博等负面信息传播的温床。如何合理有效地评估移动应用的负面风险等级成为一个重要问题。
发明内容
本发明实施例提供一种基于概率图模型的移动应用风险等级推理评估方法及装置,用以解决现有技术中的上述问题。
本发明实施例提供一种基于概率图模型的移动应用风险等级推理评估方法,包括:
对已经标注风险等级的移动应用的属性进行过滤,得到对移动应用区分有帮助的属性;
通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练;
利用训练好的概率图模型对新的移动应用进行风险等级推理评估。
本发明实施例还提供一种基于概率图模型的移动应用风险等级推理评估装置,包括:
过滤模块,用于对已经标注风险等级的移动应用的属性进行过滤,得到对移动应用区分有帮助的属性;
训练模块,用于通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练;
评估模块,用于利用训练好的概率图模型对新的移动应用进行风险等级推理评估。
本发明实施例还提供一种基于概率图模型的移动应用风险等级推理评估装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述基于概率图模型的移动应用风险等级推理评估方法的步骤。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现上述基于概率图模型的移动应用风险等级推理评估方法的步骤。
采用本发明实施例,能够合理有效地评估移动应用的负面风险等级。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例的基于概率图模型的移动应用风险等级推理评估方法的流程图;
图2是本发明实施例的Noisy-or模型的直观框架的示意图;
图3是本发明装置实施例一的基于概率图模型的移动应用风险等级推理评估装置的示意图;
图4是本发明装置实施例二的基于概率图模型的移动应用风险等级推理评估装置的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
方法实施例
根据本发明的实施例,提供了一种基于概率图模型的移动应用风险等级推理评估方法,图1是本发明实施例的基于概率图模型的移动应用风险等级推理评估方法的流程图,如图1所示,根据本发明实施例的基于概率图模型的移动应用风险等级推理评估方法具体包括:
步骤101,对已经标注风险等级的移动应用的属性进行过滤,得到对移动应用区分有帮助的属性;在步骤101中可以采用信息熵对已经标注风险等级的移动应用的属性进行过滤。上述的移动应用包括:大量属性值缺失的移动应用;
步骤102,通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练;其中,预先确定的概率图模型具体为:概率软逻辑PSL模型。步骤102具体包括:通过PSL模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练,建模成一个Noisy-or模型,所述Noisy-or模型中包括训练得到和预先给定的规则和每个规则的权重。
步骤103,利用训练好的概率图模型对新的移动应用进行风险等级推理评估。
以下对本发明实施例的技术方案进行详细说明。
本发明实施例提出一种基于概率图模型的移动应用风险等级推理评估方法。通过关联移动应用及其属性值,利用概率图谱的概率推理技术来对移动应用的风险概率进行推理。本发明实施例选择概率图模型为概率软逻辑(Probabilistic Soft Logic,简称PSL),它是使用一阶逻辑规则作为模板语言并将概率图模型推理相结合的模型。概率软逻辑程序的规则表示与传统的规则相同,考虑到规则的冲突以及不确定性,在概率软逻辑中的规则都具有一个属于[0,1]之间的非负权重,称为解释概率。由于该模型利用合页损失的马尔可夫随机场(Hinge-loss Markov Random Fields)来建模目标函数,相对其他经典的概率规则推理而言,它具有更好的可扩展性。具体的执行步骤如下:
步骤1,针对大量属性值缺失的情况,需要先对根据已标注的移动应用的类别(风险等级)利用信息熵进行属性过滤;
步骤2,然后根据处理好的标注数据来进行模型参数的训练,对ProbabilisticSoft Logic而言,则建模成一个软化规则联合推理问题,利用标注的高风险的移动应用数据来训练得到每一个规则一个权重。
步骤3,利用训练好的模型对每个移动应用进行风险评估预测。
需要说明的是,在算法实际运行中,由于高风险的移动应用比较少,初始可以通过人工给定规则权重的方式来进行计算。考虑马尔可夫随机场在大规模网络推理仍存在效率的局限性,假定在移动应用风险未知时PSL规则是独立的,那么PSL模型则退化为更简单的概率图模型—Noisy-or模型,然后用Noisy-or模型来进行移动应用的风险预测,Noisy-or模型的直观框架如图2所示,在图2中,P()表示每条规则在不同条件下的概率,Z表示该条规则触发后,移动应用的风险标识,为“0”表示其风险为假,为“1”表示其风险为真,X表示规则的触发标识,为“0”表示规则并未触发,为“1”表示规则触发,i表示规则的ID,λ表示相应规则触发的概率值。
Noisy-or模型的其公式为:
其中,P()表示风险的条件概率,Y表示移动应用的风险标识,为“0”表示其风险为假,为“1”表示其风险为真,X表示风险规则,λ0表示初始移动应用的风险概率,i表示风险规则的ID,k表示规则对应的个数。
装置实施例一
根据本发明实施例,提供了一种基于概率图模型的移动应用风险等级推理评估装置,图3是本发明装置实施例一的基于概率图模型的移动应用风险等级推理评估装置的示意图,如图3所示,根据本发明实施例的基于概率图模型的移动应用风险等级推理评估装置具体包括:
过滤模块30,用于对已经标注风险等级的移动应用的属性进行过滤,得到对移动应用区分有帮助的属性;所述过滤模块30具体用于:采用信息熵对已经标注风险等级的移动应用的属性进行过滤。所述移动应用包括:大量属性值缺失的移动应用;
训练模块32,用于通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练;预先确定的概率图模型具体为:概率软逻辑PSL模型。所述训练模块32具体用于:通过PSL模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练,建模成一个Noisy-or模型,所述Noisy-or模型中包括训练得到和预先给定的规则和每个规则的权重。
评估模块34,用于利用训练好的概率图模型对新的移动应用进行风险等级推理评估。
上述各个模块的具体处理可以参照上述方法实施例中的描述进行理解,在此不再赘述。
装置实施例二
本发明实施例提供一种基于概率图模型的移动应用风险等级推理评估装置,如图4所示,包括:存储器40、处理器42及存储在所述存储器40上并可在所述处理器42上运行的计算机程序,所述计算机程序被所述处理器42执行时实现如下方法步骤:
步骤101,对已经标注风险等级的移动应用的属性进行过滤,得到对移动应用区分有帮助的属性;在步骤101中可以采用信息熵对已经标注风险等级的移动应用的属性进行过滤。上述的移动应用包括:大量属性值缺失的移动应用;
步骤102,通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练;其中,预先确定的概率图模型具体为:概率软逻辑PSL模型。步骤102具体包括:通过PSL模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练,建模成一个Noisy-or模型,所述Noisy-or模型中包括训练得到和预先给定的规则和每个规则的权重。
步骤103,利用训练好的概率图模型对新的移动应用进行风险等级推理评估。
以下对本发明实施例的技术方案进行详细说明。
本发明实施例提出一种基于概率图模型的移动应用风险等级推理评估方法。通过关联移动应用及其属性值,利用概率图谱的概率推理技术来对移动应用的风险概率进行推理。本发明实施例选择概率图模型为概率软逻辑(Probabilistic Soft Logic,简称PSL),它是使用一阶逻辑规则作为模板语言并将概率图模型推理相结合的模型。概率软逻辑程序的规则表示与传统的规则相同,考虑到规则的冲突以及不确定性,在概率软逻辑中的规则都具有一个属于[0,1]之间的非负权重,称为解释概率。由于该模型利用合页损失的马尔可夫随机场(Hinge-loss Markov Random Fields)来建模目标函数,相对其他经典的概率规则推理而言,它具有更好的可扩展性。具体的执行步骤如下:
步骤1,针对大量属性值缺失的情况,需要先对根据已标注的移动应用的类别(风险等级)利用信息熵进行属性过滤;
步骤2,然后根据处理好的标注数据来进行模型参数的训练,对ProbabilisticSoft Logic而言,则建模成一个软化规则联合推理问题,利用标注的高风险的移动应用数据来训练得到每一个规则一个权重。
步骤3,利用训练好的模型对每个移动应用进行风险评估预测。
需要说明的是,在算法实际运行中,由于高风险的移动应用比较少,初始可以通过人工给定规则权重的方式来进行计算。考虑马尔可夫随机场在大规模网络推理仍存在效率的局限性,假定在移动应用风险未知时PSL规则是独立的,那么PSL模型则退化为更简单的概率图模型—Noisy-or模型,然后用Noisy-or模型来进行移动应用的风险预测,Noisy-or模型的直观框架如图2所示,在图2中,P()表示每条规则在不同条件下的概率,Z表示该条规则触发后,移动应用的风险标识,为“0”表示其风险为假,为“1”表示其风险为真,X表示规则的触发标识,为“0”表示规则并未触发,为“1”表示规则触发,i表示规则的ID,λ表示相应规则触发的概率值。。
Noisy-or模型的其公式为:
其中,P()表示风险的条件概率,Y表示移动应用的风险标识,为“0”表示其风险为假,为“1”表示其风险为真,X表示风险规则,λ0表示初始移动应用的风险概率,i表示风险规则的ID,k表示规则对应的个数。
装置实施例三
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传输的实现程序,所述程序被处理器42执行时实现如下方法步骤:
步骤101,对已经标注风险等级的移动应用的属性进行过滤,得到对移动应用区分有帮助的属性;在步骤101中可以采用信息熵对已经标注风险等级的移动应用的属性进行过滤。上述的移动应用包括:大量属性值缺失的移动应用;
步骤102,通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练;其中,预先确定的概率图模型具体为:概率软逻辑PSL模型。步骤102具体包括:通过PSL模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练,建模成一个Noisy-or模型,所述Noisy-or模型中包括训练得到和预先给定的规则和每个规则的权重。
步骤103,利用训练好的概率图模型对新的移动应用进行风险等级推理评估。
以下对本发明实施例的技术方案进行详细说明。
本发明实施例提出一种基于概率图模型的移动应用风险等级推理评估方法。通过关联移动应用及其属性值,利用概率图谱的概率推理技术来对移动应用的风险概率进行推理。本发明实施例选择概率图模型为概率软逻辑(Probabilistic Soft Logic,简称PSL),它是使用一阶逻辑规则作为模板语言并将概率图模型推理相结合的模型。概率软逻辑程序的规则表示与传统的规则相同,考虑到规则的冲突以及不确定性,在概率软逻辑中的规则都具有一个属于[0,1]之间的非负权重,称为解释概率。由于该模型利用合页损失的马尔可夫随机场(Hinge-loss Markov Random Fields)来建模目标函数,相对其他经典的概率规则推理而言,它具有更好的可扩展性。具体的执行步骤如下:
步骤1,针对大量属性值缺失的情况,需要先对根据已标注的移动应用的类别(风险等级)利用信息熵进行属性过滤;
步骤2,然后根据处理好的标注数据来进行模型参数的训练,对ProbabilisticSoft Logic而言,则建模成一个软化规则联合推理问题,利用标注的高风险的移动应用数据来训练得到每一个规则一个权重。
步骤3,利用训练好的模型对每个移动应用进行风险评估预测。
需要说明的是,在算法实际运行中,由于高风险的移动应用比较少,初始可以通过人工给定规则权重的方式来进行计算。考虑马尔可夫随机场在大规模网络推理仍存在效率的局限性,假定在移动应用风险未知时PSL规则是独立的,那么PSL模型则退化为更简单的概率图模型—Noisy-or模型,然后用Noisy-or模型来进行移动应用的风险预测,Noisy-or模型的直观框架如图2所示,在图2中,P()表示每条规则在不同条件下的概率,Z表示该条规则触发后,移动应用的风险标识,为“0”表示其风险为假,为“1”表示其风险为真,X表示规则的触发标识,为“0”表示规则并未触发,为“1”表示规则触发,i表示规则的ID,λ表示相应规则触发的概率值。
Noisy-or模型的其公式为:
其中,P()表示风险的条件概率,Y表示移动应用的风险标识,为“0”表示其风险为假,为“1”表示其风险为真,X表示风险规则,λ0表示初始移动应用的风险概率,i表示初始移动应用的风险概率,k表示规则对应的个数。
本实施例所述计算机可读存储介质包括但不限于为:ROM、RAM、磁盘或光盘等。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于概率图模型的移动应用风险等级推理评估方法,其特征在于,包括:
对已经标注风险等级的移动应用的属性进行过滤,得到对移动应用区分有帮助的属性;
通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练;
利用训练好的概率图模型对新的移动应用进行风险等级推理评估。
2.如权利要求1所述的方法,其特征在于,对已经标注风险等级的移动应用的属性进行过滤具体包括:
采用信息熵对已经标注风险等级的移动应用的属性进行过滤。
3.如权利要求1所述的方法,其特征在于,
所述移动应用包括:大量属性值缺失的移动应用;
预先确定的概率图模型具体为:概率软逻辑PSL模型。
4.如权利要求3所述的方法,其特征在于,通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练具体包括:
通过PSL模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练,建模成一个Noisy-or模型,所述Noisy-or模型中包括训练得到和预先给定的规则和每个规则的权重。
5.一种基于概率图模型的移动应用风险等级推理评估装置,其特征在于,具体包括:
过滤模块,用于对已经标注风险等级的移动应用的属性进行过滤,得到对移动应用区分有帮助的属性;
训练模块,用于通过预先确定的概率图模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练;
评估模块,用于利用训练好的概率图模型对新的移动应用进行风险等级推理评估。
6.如权利要求5所述的装置,其特征在于,所述过滤模块具体用于:
采用信息熵对已经标注风险等级的移动应用的属性进行过滤。
7.如权利要求5所述的装置,其特征在于,
所述移动应用包括:大量属性值缺失的移动应用;
预先确定的概率图模型具体为:概率软逻辑PSL模型。
8.如权利要求5所述的装置,其特征在于,所述训练模块具体用于:
通过PSL模型对过滤后的已经标注风险等级的移动应用的属性进行模型训练,建模成一个Noisy-or模型,所述Noisy-or模型中包括训练得到和预先给定的规则和每个规则的权重。
9.一种基于概率图模型的移动应用风险等级推理评估装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于概率图模型的移动应用风险等级推理评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至4中任一项所述的基于概率图模型的移动应用风险等级推理评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834943.7A CN110688306A (zh) | 2019-09-05 | 2019-09-05 | 基于概率图模型的移动应用风险等级推理评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834943.7A CN110688306A (zh) | 2019-09-05 | 2019-09-05 | 基于概率图模型的移动应用风险等级推理评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110688306A true CN110688306A (zh) | 2020-01-14 |
Family
ID=69108752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910834943.7A Pending CN110688306A (zh) | 2019-09-05 | 2019-09-05 | 基于概率图模型的移动应用风险等级推理评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688306A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160154960A1 (en) * | 2014-10-02 | 2016-06-02 | Massachusetts Institute Of Technology | Systems and methods for risk rating framework for mobile applications |
CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
CN108280762A (zh) * | 2018-01-19 | 2018-07-13 | 平安科技(深圳)有限公司 | 客户风险评级方法、服务器及计算机可读存储介质 |
CN109471846A (zh) * | 2018-11-02 | 2019-03-15 | 中国电子科技网络信息安全有限公司 | 一种基于云日志分析的云上用户行为审计系统及方法 |
-
2019
- 2019-09-05 CN CN201910834943.7A patent/CN110688306A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160154960A1 (en) * | 2014-10-02 | 2016-06-02 | Massachusetts Institute Of Technology | Systems and methods for risk rating framework for mobile applications |
CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
CN108280762A (zh) * | 2018-01-19 | 2018-07-13 | 平安科技(深圳)有限公司 | 客户风险评级方法、服务器及计算机可读存储介质 |
CN109471846A (zh) * | 2018-11-02 | 2019-03-15 | 中国电子科技网络信息安全有限公司 | 一种基于云日志分析的云上用户行为审计系统及方法 |
Non-Patent Citations (2)
Title |
---|
刘建伟 等: "概率图模型的表示理论综述", 《电子学报》 * |
吴潇 等: "基于加权二分图模型的APP信息传播特性", 《吉林大学学报(工学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334742B (zh) | 一种用于文档分类的基于强化学习的通过添加虚假节点的图对抗样本生成方法 | |
US8903824B2 (en) | Vertex-proximity query processing | |
CN109062914B (zh) | 用户推荐方法和装置,存储介质和服务器 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
US11657289B2 (en) | Computational graph optimization | |
Zhang et al. | Projective ranking: A transferable evasion attack method on graph neural networks | |
CN110322003B (zh) | 一种用于文档分类的基于梯度的通过添加虚假节点的图对抗样本生成方法 | |
CN112214775A (zh) | 对图数据的注入式攻击方法、装置、介质及电子设备 | |
CN113255798A (zh) | 一种分类模型训练方法、装置、设备及介质 | |
CN112231416A (zh) | 知识图谱本体更新方法、装置、计算机设备及存储介质 | |
Shehab et al. | Opposition-based learning multi-verse optimizer with disruption operator for optimization problems | |
US20220269928A1 (en) | Stochastic noise layers | |
CN109947983A (zh) | 视频推荐方法、系统、终端及计算机可读存储介质 | |
CN116383708B (zh) | 一种交易账号的识别方法及装置 | |
CN112364198A (zh) | 一种跨模态哈希检索方法、终端设备及存储介质 | |
CN110688306A (zh) | 基于概率图模型的移动应用风险等级推理评估方法及装置 | |
CN115238134A (zh) | 用于生成图数据结构的图向量表示的方法及装置 | |
CN114912628A (zh) | 特征选择方法、装置、电子设备及计算机可读存储介质 | |
CN116090538A (zh) | 一种模型权重获取方法以及相关系统 | |
CN114237915B (zh) | 分布式环境下基于机器学习的数据修复方法、装置及设备 | |
CN110879861B (zh) | 基于表示学习的相似移动应用计算方法及装置 | |
CN111476037B (zh) | 文本处理方法、装置、计算机设备和存储介质 | |
CN116089722B (zh) | 基于图产出标签的实现方法、装置、计算设备和存储介质 | |
CN110688316A (zh) | 基于规则引擎的移动应用风险等级推理评估方法及装置 | |
CN112131607B (zh) | 资源数据处理方法、装置、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |