CN111626311A - 一种异构图数据处理方法和装置 - Google Patents
一种异构图数据处理方法和装置 Download PDFInfo
- Publication number
- CN111626311A CN111626311A CN201910145902.7A CN201910145902A CN111626311A CN 111626311 A CN111626311 A CN 111626311A CN 201910145902 A CN201910145902 A CN 201910145902A CN 111626311 A CN111626311 A CN 111626311A
- Authority
- CN
- China
- Prior art keywords
- data
- graph
- classification
- value
- node
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 238000000638 solvent extraction Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 229920000642 polymer Polymers 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004900 laundering Methods 0.000 description 2
- 101150026006 ASP1 gene Proteins 0.000 description 1
- 102100021277 Beta-secretase 2 Human genes 0.000 description 1
- 101100022918 Schizosaccharomyces pombe (strain 972 / ATCC 24843) sua1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种异构图数据处理方法和装置，该方法包括：获取待处理的异构图数据；将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；针对每个子图，通过图嵌入算法获得对应节点的特征矩阵；通过机器学习分类模型获得每个特征矩阵对应的分类值；当获得的任一特征矩阵的分类值大于预设安全值时，针对所述特征矩阵对应的节点进行报警。该方法能够在无标签信息的基础上，提高异构图数据的处理效率，以及准确率。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种异构图数据处理方法和装置。
背景技术
当前，图模型被广泛的用于表示各种复杂的数据。近年来，随着数据采集和数据存储技术的发展，社交网络、在线购物、生物信息学、交通导航等领域中出现了规模庞大、内部结构复杂的大图数据。
当我们处理机器学习的问题时，已经开始结合图计算系统。因为首先从本质上讲，机器学习中要处理的很多信息是由实体和关系构成的；其次，将数据进行图抽象会使机器学习更有效。可以根据图的结构信息改进机器学习计算时的数据局部性，从而带来更高的准确率和性能。
现有的机器学习方案中，为了从复杂结构数据中学习，如时间序列、树、图，我们需要手动显式或隐式的将数据转化到向量空间的表征，然后在结果向量空间里应用机器学习算法。手动提取特征非常耗时，通常占用了算法工程师的大量时间。
发明内容
有鉴于此，本申请提供一种异构图数据处理的方法和装置，能够在无标签信息的基础上，提高异构图数据的处理效率，以及准确率。
为解决上述技术问题，本申请的技术方案是这样实现的：
一种异构图数据处理方法，该方法包括：
获取待处理的异构图数据；
将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；
针对每个子图，通过图嵌入算法获得对应节点的特征矩阵；
通过机器学习分类模型获得每个特征矩阵对应的分类值；
当获得的任一特征矩阵的分类值大于预设安全值时，针对所述特征矩阵对应的节点进行报警。
一种异构图数据处理装置，该装置包括：获取单元、划分单元、特征提取单元、分类单元和报警单元；
所述获取单元，用于获取待处理的异构图数据；
所述划分单元，用于将所述获取单元获取的异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；
所述特征提取单元，用于针对所述划分单元划分的每个子图，通过图嵌入算法获得对应节点的特征矩阵；
所述分类单元，用于通过机器学习分类模型获得所述特征提取单元获得的每个特征矩阵对应的分类值；
所述报警单元，用于当确定所述分类单元获得的任一特征矩阵的分类值大于预设安全值时，针对所述特征矩阵对应的节点进行报警。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述异构图数据处理的方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述异构图数据处理的方法。
由上面的技术方案可知，本申请在进行异构图的处理过程中引入了图嵌入算法，以及机器学习分类算法，在异构图数据无标签信息的前提下，能够低成本地提取大量特征，进而在无标签信息的基础上，提高了异构图数据的处理效率，以及准确率。
附图说明
图1为本申请实施例中异构图数据处理流程示意图；
图2为节点关系示意图；
图3为本申请实施例中应用于上述技术的装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图并举实施例，对本发明的技术方案进行详细说明。
本申请实施例中提供一种异构图数据处理方法，可应用于对电商平台、金融反欺诈平台、反洗钱系统、推荐系统、知识图谱等包含大量信息作为节点来建模处理的系统的无标签信息的异构图数据的处理。
本申请实施例中引入例如网络表示学习的图嵌入技术，可以不需要特征工程的设计，能够利用表示学习的方法从原始网络里自动发现有用的有意义的隐含特征，并且保持图的局部邻接关系。Embedding可以将庞大的节点网络作为输入，为每个节点学习出可以有效代表该节点的低维(百维左右)的向量，自动生成有限维度的用户特征，最终将向量作为机器学习任务的输入特征，能够减少特征提取成本，提升建模效率。该方案能够提高无标签信息的异构图数据处理的效率，以及准确率。
下面结合附图，详细描述本申请实施例中实现异构图数据处理过程。
本申请实施例中实现异构图数据处理的设备可以为具备基本数据处理的设备，如一台PC等，在下文简称为数据处理设备。
参见图1，图1为本申请实施例中异构图数据处理流程示意图。具体步骤为：
步骤101，获取待处理的异构图数据。
这里的异构图数据，可以通过电商平台、金融反欺诈平台、反洗钱系统、推荐系统、知识图谱等包含大量信息作为节点来建模处理的系统中获取。
具体获取过程可以通过网络传输，也可以通过硬件拷贝等方式实现。
步骤102，将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图。
本步骤中将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图，包括：
确定是否能够对异构图数据进行图嵌入算法计算，如果是，将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；否则，将所述异构图数据拆分为二分图，再使用图划分算法将二分图切分为数据规模小于预设数据规模值的子图。
也就是说确定是否能够对异构图数据直接进行特征矩阵的获取操作，如果可以，则直接划分；否则，先根据业务需要将异构图数据拆分成一组或多组二分图，再进行二分图的划分。
这里划分子图的目的主要是为了缩小需要处理的数据规模，如果由于技术的进步，可以处理大规模的异构图，且处理速率能够接收的时候，也可以不进行子图的划分。
在进行子图划分的时候，如果对不同二分图的划分，则需要使用同一划分算法来进行划分。
划分的不同子图的数据规模尽可能接近，也就是说任意两个子图的数据规模的差值不大于预设差值。
步骤103，针对每个子图，通过图嵌入算法获得对应节点的特征矩阵。
针对一个子图，采用图嵌入算法获得的特征矩阵可以是一个，也可以是多个，主要由子图中的节点个数确定。
图嵌入，即用一个低维，稠密的向量去表示图中的点，该向量表示能反映图中的结构，本质上就是说，两个点其共享的(n阶)邻近点越多，即两个点的上下文越相似，两个对应向量距离越近。而图嵌入的最大好处自然是得到的向量表示可以输入任何的机器学习模型去解决具体面对的问题。同时对比一些传统的方法有对应的优势，比如基于矩阵分解(MF)的方法计算量太大；构造人工特征需要领域知识和较大的工作量。
图嵌入算法有多种实现，本申请实施例中以LINE为例进行如下说明：
LINE算法利用图中已存在的边构造目标函数，该目标函数显式描绘了一阶和二阶的邻近关系。然后通过优化方法去学习点的表达向量，其本质上是一种关于边的平滑，即很多很可能存在的边实际上不存在，需要模型去学习和预测出来。这点类似于推荐，任何推荐的算法本质上是对于user-item关系矩阵的平滑。
LINE能用于有向，无向图，带权重的和不带权重的。
参见图2，图2为节点关系示意图。如图2所示，节点6和节点7两个节点是相似的，是因为直接相连，而节点5和节点6两个节点也是相似的，是因为共享了很多邻近点。因此，本申请实施例中如果使用该种图嵌入算法处理时，考虑一阶和二阶邻近关系即可。
如一个子图的G＝(V,E)，v∈V是G中的节点，e∈E是G的边。f是与图G相关的一个图嵌入函数，将每个节点映射到低维类型空间fv:V→τv，τ是节点的类型集合。常用接近度模型量化在嵌入空间里保留的图属性。
其中，一阶接近度
是直接连接的两个节点Vi和Vj之间的边上的权重。如果两个节点被较大的权重连接，则认为是近似的。一阶邻近度衡量了只有相连的节点间的局部相似度，输出的邻近度矩阵表示为
p1(vi,vj)是对应两点间一阶邻近关系的概率
二阶邻近度
比较了两个节点间的邻居结构，两个节点的共有一跳邻居越多，二者的二阶邻近度越高。输出的邻近度矩阵表示为
高阶邻近度模型也类似，定义了两个节点Vi和Vj之间K阶相似度。Vi和Vj的二阶邻近概率为
当
被当成另一个节点的共有一跳邻居节点时表示为
映射后的向量反映了一节点在图中的局部结构，原图中两个节点在图中的共有临近点越多，对应的两个向量之间的距离越近。
本申请实施例中的进行的图嵌入的过程不需要任何标签信息。
通过上述处理，会获得整个异构图中的所有节点的特征矩阵。
步骤104，通过机器学习分类模型获得每个特征矩阵对应的分类值。
采用的机器学习分类模型可以使用支持向量机(SVM)分类模型，能够提高机器学习的精度和效率，但不限于SVM。
本申请实施例中具体实现时，可以使用一个机器学习分类模型，也可以使用多个，如使用N个来确定每个矩阵对应的分类值。当所述机器学习分类模型为N个时，所述方法进一步包括：为每个机器学习分类模型分配权值；
则采用机器学习分类模型获得所述特征矩阵对应的分类值，包括：
通过N个机器学习分类模型分别获得所述特征矩阵对应的初步分类值；
将获得的N个初步分类值使用对应的权值进行加权求和，获得该特征矩阵对应的最终分类值；其中，N为大于1的整数。
该种实现方式将不同的模型的分类结果融合，得到一个最终的分类值，在具体实现时，根据异构图数据的数据类型为使用的机器学习分类模型分配权值，也可以根据实际获得结果是否合理调整分配的权值。
由于节点的特征矩阵包含了节点间的特征信息，因此在使用机器学习分类过程中不需要提供额外的标签信息。
步骤105，当获得的任一特征矩阵的分类值大于预设安全值时，针对所述特征矩阵对应的节点进行报警。
本步骤中针对所述特征矩阵对应的节点进行报警时，所述方法进一步包括：提示该节点对应的分类值；
在报警的时候，提示节点的标识，以及对应节点的分类值。
审核人员，即工作人员，可以根据分类值的大小对报应的节点设置合理的标签信息。
该方法进一步包括：
若接收到审核人员根据所述分类值为对应节点设置的标签信息，则将所述节点与对应标签信息绑定存储。
本申请实施例中根据存储的节点对应的标签信息对所述异构图数据进行有标签信息的数据处理。也就是说可以将本申请实施例中获得的标签信息反馈到异构图数据中，使得可以在对异构图数据处理过程中调整节点之间的距离，进而实现有标签的异构图数据的处理。也就是说本申请还提供了一种获取异构图数据对应标签信息的方法。
传统的图计算和机器学习往往是独立的系统，本申请实施例中利用图嵌入进行特征提取，作为机器学习输入，能够大大降低特征提取和特征选择的时间成本，扩大了特征数量，在减少成本的基础上，大大提高了异构图数据的处理效率。
基于同样的发明构思，本申请实施例中还提供一种异构图数据处理装置。参见图3，图3为本申请实施例中应用于上述技术的装置结构示意图。该装置包括：获取单元301、划分单元302、特征提取单元303、分类单元304和报警单元305；
获取单元301，用于获取待处理的异构图数据；
划分单元302，用于将获取单元301获取的异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；
特征提取单元303，用于针对划分单元302划分的每个子图，通过图嵌入算法获得对应节点的特征矩阵；
分类单元304，用于通过机器学习分类模型获得特征提取单元303获得的每个特征矩阵对应的分类值；
报警单元305，用于当确定分类单元304获得的任一特征矩阵的分类值大于预设安全值时，针对所述特征矩阵对应的节点进行报警。
较佳地，
报警单元305，进一步用于针对所述特征矩阵对应的节点进行报警时，提示该节点对应的分类值；
获取单元301，进一步用于若接收到审核人员根据所述分类值为对应节点设置的标签信息，则将所述节点与对应标签信息绑定存储。
较佳地，
分类单元304，用于当所述机器学习分类模型为N个时，为每个机器学习分类模型分配权值；通过N个机器学习分类模型分别获得所述特征矩阵对应的初步分类值；将获得的N个初步分类值使用对应的权值进行加权求和，获得该特征矩阵对应的最终分类值；其中，N为大于1的整数。
较佳地，
划分单元302，具体用于将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图时，确定是否能够对异构图数据进行图嵌入算法计算，如果是，将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；否则，将所述异构图数据拆分为二分图，再使用图划分算法将二分图切分为数据规模小于预设数据规模值的子图。
较佳地，
任意两个子图的数据规模的差值不大于预设差值。
较佳地，
获取单元301，进一步用于根据存储的节点对应的标签信息对所述异构图数据进行有标签信息的数据处理。
上述实施例的单元可以集成于一体，也可以分离部署；可以合并为一个单元，也可以进一步拆分成多个子单元。
此外，本申请实施例中还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述异构图数据处理的方法。
另外，本申请实施例中还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述异构图数据处理的方法。
综上所述，本申请通过利用网络表示学习的图嵌入技术，可以不需要特征工程的设计，能够利用表示学习的方法从原始网络里自动发现有用的有意义的隐含特征，并且保持图的局部邻接关系。Embedding可以将庞大的节点网络作为输入，为每个节点学习出可以有效代表该节点的低维(百维左右)的向量，自动生成有限维度的用户特征，最终将向量作为其他有监督或无监督机器学习任务的输入特征，减少特征提取成本，提升建模效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (14)
1.一种异构图数据处理方法，其特征在于，该方法包括：
获取待处理的异构图数据；
将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；
针对每个子图，通过图嵌入算法获得对应节点的特征矩阵；
通过机器学习分类模型获得每个特征矩阵对应的分类值；
当获得的任一特征矩阵的分类值大于预设安全值时，针对所述特征矩阵对应的节点进行报警。
2.根据权利要求1所述的方法，其特征在于，所述针对所述特征矩阵对应的节点进行报警时，所述方法进一步包括：提示该节点对应的分类值；
该方法进一步包括：
若接收到审核人员根据所述分类值为对应节点设置的标签信息，则将所述节点与对应标签信息绑定存储。
3.根据权利要求1所述的方法，其特征在于，当所述机器学习分类模型为N个时，所述方法进一步包括：为每个机器学习分类模型分配权值；
所述通过机器学习分类模型获得所述特征矩阵对应的分类值，包括：
通过N个机器学习分类模型分别获得所述特征矩阵对应的初步分类值；
将获得的N个初步分类值使用对应的权值进行加权求和，获得该特征矩阵对应的最终分类值；其中，N为大于1的整数。
4.根据权利要求1所述的方法，其特征在于，所述将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图，包括：
确定是否能够对异构图数据进行图嵌入算法计算，如果是，将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；否则，将所述异构图数据拆分为二分图，再使用图划分算法将二分图切分为数据规模小于预设数据规模值的子图。
5.根据权利要求4所述的方法，其特征在于，
任意两个子图的数据规模的差值不大于预设差值。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法进一步包括：
根据存储的节点对应的标签信息对所述异构图数据进行有标签信息的数据处理。
7.一种异构图数据处理装置，其特征在于，该装置包括：获取单元、划分单元、特征提取单元、分类单元和报警单元；
所述获取单元，用于获取待处理的异构图数据；
所述划分单元，用于将所述获取单元获取的异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；
所述特征提取单元，用于针对所述划分单元划分的每个子图，通过图嵌入算法获得对应节点的特征矩阵；
所述分类单元，用于通过机器学习分类模型获得所述特征提取单元获得的每个特征矩阵对应的分类值；
所述报警单元，用于当确定所述分类单元获得的任一特征矩阵的分类值大于预设安全值时，针对所述特征矩阵对应的节点进行报警。
8.根据权利要求7所述的装置，其特征在于，
所述报警单元，进一步用于针对所述特征矩阵对应的节点进行报警时，提示该节点对应的分类值；
所述获取单元，进一步用于若接收到审核人员根据所述分类值为对应节点设置的标签信息，则将所述节点与对应标签信息绑定存储。
9.根据权利要求7所述的装置，其特征在于，
所述分类单元，用于当所述机器学习分类模型为N个时，为每个机器学习分类模型分配权值；通过N个机器学习分类模型分别获得所述特征矩阵对应的初步分类值；将获得的N个初步分类值使用对应的权值进行加权求和，获得该特征矩阵对应的最终分类值；其中，N为大于1的整数。
10.根据权利要求7所述的装置，其特征在于，
所述划分单元，具体用于将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图时，确定是否能够对异构图数据进行图嵌入算法计算，如果是，将所述异构图数据按照图划分算法切分为数据规模小于预设数据规模值的子图；否则，将所述异构图数据拆分为二分图，再使用图划分算法将二分图切分为数据规模小于预设数据规模值的子图。
11.根据权利要求10所述的装置，其特征在于，
任意两个子图的数据规模的差值不大于预设差值。
12.根据权利要求7-11任一项所述的装置，其特征在于，
所述获取单元，进一步用于根据存储的节点对应的标签信息对所述异构图数据进行有标签信息的数据处理。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910145902.7A CN111626311B (zh) | 2019-02-27 | 2019-02-27 | 一种异构图数据处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910145902.7A CN111626311B (zh) | 2019-02-27 | 2019-02-27 | 一种异构图数据处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111626311A true CN111626311A (zh) | 2020-09-04 |
| CN111626311B CN111626311B (zh) | 2023-12-08 |
Family
ID=72259594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910145902.7A Active CN111626311B (zh) | 2019-02-27 | 2019-02-27 | 一种异构图数据处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626311B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215837A (zh) * | 2020-10-26 | 2021-01-12 | 北京邮电大学 | 多属性图像语义分析方法和装置 |
| CN112364257A (zh) * | 2020-11-13 | 2021-02-12 | 四川省人工智能研究院(宜宾) | 一种基于知识图谱的用户群组推荐系统及方法 |
| CN113314206A (zh) * | 2021-06-08 | 2021-08-27 | 北京大数医达科技有限公司 | 图像显示方法、装置和终端设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140258196A1 (en) * | 2013-03-07 | 2014-09-11 | International Business Machines Corporation | System and method for using graph transduction techniques to make relational classifications on a single connected network |
| US20150007182A1 (en) * | 2013-06-27 | 2015-01-01 | Microsoft Corporation | Iteration support in a heterogeneous dataflow engine |
| WO2016145423A1 (en) * | 2015-03-11 | 2016-09-15 | Ayasdi, Inc. | Systems and methods for predicting outcomes using a prediction learning model |
| CN106250563A (zh) * | 2016-08-30 | 2016-12-21 | 江苏名通信息科技有限公司 | 基于GPS平台的k‑bisimulation计算算法 |
| CN106991132A (zh) * | 2017-03-08 | 2017-07-28 | 南京信息工程大学 | 一种基于图集重构与图核降维的图分类方法 |
| CN108960335A (zh) * | 2018-07-13 | 2018-12-07 | 大连理工大学 | 一种基于大规模网络进行高效聚类方法 |
| CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐系统 |
-
2019
- 2019-02-27 CN CN201910145902.7A patent/CN111626311B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140258196A1 (en) * | 2013-03-07 | 2014-09-11 | International Business Machines Corporation | System and method for using graph transduction techniques to make relational classifications on a single connected network |
| US20150007182A1 (en) * | 2013-06-27 | 2015-01-01 | Microsoft Corporation | Iteration support in a heterogeneous dataflow engine |
| WO2016145423A1 (en) * | 2015-03-11 | 2016-09-15 | Ayasdi, Inc. | Systems and methods for predicting outcomes using a prediction learning model |
| CN106250563A (zh) * | 2016-08-30 | 2016-12-21 | 江苏名通信息科技有限公司 | 基于GPS平台的k‑bisimulation计算算法 |
| CN106991132A (zh) * | 2017-03-08 | 2017-07-28 | 南京信息工程大学 | 一种基于图集重构与图核降维的图分类方法 |
| CN108960335A (zh) * | 2018-07-13 | 2018-12-07 | 大连理工大学 | 一种基于大规模网络进行高效聚类方法 |
| CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐系统 |
Non-Patent Citations (2)
| Title |
|---|
| 尹向东, 肖辉军: "基于潜在变量的异构网络节点分类模型研究", 计算机工程, vol. 41, no. 7, pages 133 - 137 * |
| 齐金山;梁循;李志宇;陈燕方;许媛;: "大规模复杂信息网络表示学习:概念、方法与挑战", 计算机学报, no. 10, pages 279 - 280 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215837A (zh) * | 2020-10-26 | 2021-01-12 | 北京邮电大学 | 多属性图像语义分析方法和装置 |
| CN112215837B (zh) * | 2020-10-26 | 2023-01-06 | 北京邮电大学 | 多属性图像语义分析方法和装置 |
| CN112364257A (zh) * | 2020-11-13 | 2021-02-12 | 四川省人工智能研究院(宜宾) | 一种基于知识图谱的用户群组推荐系统及方法 |
| CN113314206A (zh) * | 2021-06-08 | 2021-08-27 | 北京大数医达科技有限公司 | 图像显示方法、装置和终端设备 |
| CN113314206B (zh) * | 2021-06-08 | 2024-04-26 | 北京大数医达科技有限公司 | 图像显示方法、装置和终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111626311B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110532417B (zh) | 基于深度哈希的图像检索方法、装置及终端设备 | |
| CN110059734B (zh) | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 | |
| CN111626311B (zh) | 一种异构图数据处理方法和装置 | |
| CN111461164A (zh) | 样本数据集的扩容方法及模型的训练方法 | |
| WO2023164929A1 (zh) | 多源遥感图像融合方法、装置、设备及存储介质 | |
| CN115170565B (zh) | 基于自动神经网络架构搜索的图像欺诈检测方法及装置 | |
| CN113515672A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| CN115859302A (zh) | 源代码漏洞检测方法、装置、设备及存储介质 | |
| CN110807159B (zh) | 数据标记方法、装置、存储介质及电子设备 | |
| CN106383738B (zh) | 任务处理方法和分布式计算框架 | |
| Madi et al. | A graph-based approach for kite recognition | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN116468967A (zh) | 样本图像筛选方法、装置、电子设备及存储介质 | |
| CN113723515B (zh) | 基于图像识别的摩尔纹识别方法、装置、设备及介质 | |
| CN113903016B (zh) | 分岔点检测方法、装置、计算机设备和存储介质 | |
| CN116010615A (zh) | 实体的对齐方法、装置、电子设备及计算机存储介质 | |
| CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN114399002A (zh) | 基于图神经网络的图像场景分类方法及装置 | |
| CN113256386A (zh) | 一种基于人工智能的商品描述方法及装置 | |
| CN113656586A (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
| KR20220155377A (ko) | 계정의 식별방법, 식별장치, 전자 디바이스 및 컴퓨터 판독 가능한 매체 | |
| CN112131446B (zh) | 图节点分类方法、装置、电子设备及存储介质 | |
| CN112529038B (zh) | 一种主板物料的识别方法、装置及存储介质 | |
| CN113590721B (zh) | 一种区块链地址分类方法和装置 | |
| CN116938746A (zh) | 一种基于子图特征融合的链路预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176 Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |