CN112365139A - 一种图卷积神经网络下的人群危险程度分析方法 - Google Patents
一种图卷积神经网络下的人群危险程度分析方法 Download PDFInfo
- Publication number
- CN112365139A CN112365139A CN202011179129.5A CN202011179129A CN112365139A CN 112365139 A CN112365139 A CN 112365139A CN 202011179129 A CN202011179129 A CN 202011179129A CN 112365139 A CN112365139 A CN 112365139A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- graph
- node
- hyperbolic space
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000002441 reversible effect Effects 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000547 structure data Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000002347 injection Methods 0.000 abstract description 3
- 239000007924 injection Substances 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000009833 condensation Methods 0.000 abstract 1
- 230000005494 condensation Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Image Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
Abstract
一种图卷积神经网络下的人群危险程度分析方法，首先将以识别目标为中心、呈发散状的人物关系网络数据放置于双曲空间中，结合双曲空间内注意力机制凝练图数据内部关联特征。然后采用双曲空间内的可逆图卷积神经网络提取识别特征，最后通过编解码机制将特征用于后续机器学习任务。通过训练集训练该模型、测试集测试该模型，从而完成该深度神经网络的建立，可以用于不同领域中具有以识别目标为中心、发散状图结构数据的特征分析与识别。本发明具有流程简单、计算容易、易编程实现等特点，适合不同场景下的以目标人物为中心的关系网络中特征提取与危险程度分类。
Description
技术领域
本发明涉及一种社交网络上人群危险程度的分析方法。人工智能中新型图神经网络方法，图神经网络不同于需要结构化数据的传统神经网络，其输入数据为社交分析领域中具有的图结构数据(即图数据)。该神经网络方法的实施与应用可以更高精度分析并获取数据中隐含的市民活动特征，为数据管理者制定城市管理措施，让数据服务为民提供依据。
背景技术
图卷积神经网络(GCN)近年来已经成为一个研究热点，许多应用场景下的问题都可以通过应用该方法及其变体得以有效解决，例如商业广告推荐，危险群体监控等。这些应用程序将图卷积操作应用于相同的功能：图数据，其中将节点嵌入到欧氏空间中的点中，并且边将每两个相互关联的节点连接起来。
在大多应用场景下，关系网络数据始终有一个目标人物(节点)作为研究人员要分析的对象，因此研究人员通常将该数据构造为以目标节点为中心，向外扩散的图数据。其特征为距中心节点的邻居节点数量呈指数增长，因此很难在欧几里得空间中完整地表示这样的结构。当采用欧氏空间中的数据结构作为输入时，随着神经网络的加深，每层网络层就会有越来越多的特征丢失。另一方面，传统图卷积神经网络无法类比于一般卷积神经网络，可以通过加深网络深度使模型精度得到大幅提高。一般图数据存在较大的数据冗余以及较多的异常数据，这些数据无疑会加大深度神经网络训练过程中的难度。
综上所述，现有的图卷积神经网络方法存在以下主要问题：1)大多数神经网络方法采用结构化输入，这类方法没有考虑更为一般的图数据结构，导致针对关系网络数据预处理时无法完整描述出原有数据真实的特征，进而影响后续数据分析处理的精度；2)大多图数据呈发散结构，图中节点数目随着距离中心节点跳数的增加而呈指数增长，常见欧氏空间的表示方法无法囊括边缘图节点的关键特征；3)深度神经网络难以应用于一般图卷积方法中，使得最终识别精度不高。
发明内容
本发明要克服现有技术的上述不足之处，提供基于双曲空间的可逆深度图卷积神经网络方法，可以适用于社交网络分析中人群危险程度分类。
本发明方法首先将以识别目标为中心、呈发散状的人物关系网络数据放置于双曲空间中，结合双曲空间内注意力机制凝练图数据内部关联特征。然后采用双曲空间内的可逆图卷积神经网络提取识别特征，最后通过编解码机制将特征用于后续机器学习任务。通过训练集训练该模型、测试集测试该模型，从而完成该深度神经网络的建立，可以用于不同领域中具有以识别目标为中心、发散状图结构数据的特征分析与识别。本发明充分考虑了发散状图结构数据呈指数向外增长的特性以及传统图卷积神经网络难以加深的缺陷，通过将数据放置于双曲空间，利用双曲空间自身存在的指数扩大特征，并结合可逆神经网络思想，设计模型更加具有普适性，具有流程简单、计算容易、易编程实现等特点，适合不同场景下的以目标人物为中心的关系网络中特征提取与危险程度分类。
本发明基于双曲空间的可逆深度图卷积神经网络方法进行城市居民社交群体危险程度分析，本发明一种图卷积神经网络下的人群危险程度分析方法，具体的实施步骤如下：
(1)将社交网络中每一个人作为独立的节点，每个人具有的多维特征作为图中节点特征，人与人之间的关系作为节点间相互关联的边，构建图结构数据，通过分析安置于双曲空间内的图结构数据中的节点，结合注意力机制，定义双曲空间下基本矩阵运算算子，凝练图数据内部关联特征，具体计算过程如下：
s11.由于常见的加法、乘法等算子仅仅适用于欧式空间的计算，因此首先需定义双曲空间内的矩阵加法与乘法运算算子。将识别目标节点视为双曲空间中顶点，以该点为切点作欧式空间中的切平面，可以将图结构数据映射至欧式空间中，定义log与exp函数互为映射函数，保证数据映射过程中信息不丢失。定义双曲空间中节点信息向量xH与偏置向量b的加法为该矩阵在映射平面上的平移，定义双曲空间中节点信息向量xH与权重向量W的乘法为该矩阵在映射平面上做向量乘法，公式如下：
其中
和
表示双曲空间内加法与乘法算子，o表示切向量，L(·)表示洛伦兹变换；
s12.根据上述定义的映射函数与算子，针对每一双曲空间中节点NFH，首先将每一节点映射至切平面：
其中K表示双曲空间系数，不同的K值对应不同的双曲空间，这里一般取K＝1，x表示图中的目标节点；
s13.采用多头注意力机制重新更新每一节点
中包含的有用特征：
其中σ(·)表示激活函数，Nh表示聚合节点的层数，Ni表示节点i的邻居节点总数，
表示节点i与节点j之间的权重系数；
s14.最后重新将节点映射回双曲空间中，完成图数据内部关联特征的凝练：
(2)基于步骤(1)的分析与计算结果，根据可逆神经网络思想，设计双曲空间下可逆图卷积神经网络，实现深度图卷积网络以高效提取相似人群的共同特征，具体计算过程如下：
s21.定义图卷积神经网络层为：
其中σ(·)为激活函数，AGG(·)表示节点聚合函数，Wl and bl表示第l层网络权重与偏置系数；
S22.定义可逆神经网络前向以及反向传播函数，用于保证特征在计算过程中不会出现损失，提高计算人群特征精度，如下所示：
(3)采用编码-解码机制将所提出的模型与下游人群特征分类任务解耦，具体计算过程如下：
s31.参考编解码机制，将定义的模型放置于编码器中，目的是为了通过此编码器学习到一个嵌入向量，用于表示从图数据中提取的高精度特征：
其中箭头部分则为步骤(2)的计算流程；
S32.将下游机器学习模型放入编码器中，通常利用线性映射函数将嵌入向量解码为最终结果并输出：
Out＝Linear(Z) (10)
(4)收集社交网络数据并处理生成两类样本集(训练与测试)，训练并测试步骤(2)与步骤(3)所提出的神经网络模型，从而完成该模型的建立，可以用于实现人群特点分析与分类任务。通过训练集数据的训练，可以计算该模型内所有参数，包括注意层、各深度图卷积层以及编解码器的权重矩阵与偏置项。训练完成后，可以用测试数据测试该模型识别结果的准确性。不同数据集的训练和测试应需要采用对应数据的训练集和测试集。
本发明的有益效果在于：(1)本发明充分考虑了输入数据对模型结果的影响，引入双曲空间以及注意力机制将数据以更低的维度表示更多的关键信息，在保留人物关系网络数据原有特征的基础上，提高数据存储计算效率。(2)本发明综合考虑了一般图卷积神经网络难以加深的缺陷，引入可逆神经网络思想，进一步提高了从图数据中提取特征的准确度，在一定程度上解决了该缺陷。
附图说明
图1是本发明方法的总体流程图。
图2是本发明方法的可逆深度图卷积神经网络总体结构图。
图3是本发明方法可逆图卷积神经网络中可逆网络部分结构图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明基于双曲空间的可逆深度图卷积神经网络方法用于城市居民社交群体危险程度分析，本发明的一种图卷积神经网络下的人群危险程度分析方法，具体的实施步骤如下：
(1)将社交网络中每一个人作为独立的节点，每个人具有的多维特征作为图中节点特征，人与人之间的关系作为节点间相互关联的边，构建图结构数据，通过分析安置于双曲空间内的图结构数据中的节点，结合注意力机制，定义双曲空间下基本矩阵运算算子，凝练图数据内部关联特征，具体计算过程如下：
s11.由于常见的加法、乘法等算子仅仅适用于欧式空间的计算，因此首先需定义双曲空间内的矩阵加法与乘法运算算子。将识别目标节点视为双曲空间中顶点，以该点为切点作欧式空间中的切平面，可以将图结构数据映射至欧式空间中，定义log与exp函数互为映射函数，保证数据映射过程中信息不丢失。定义双曲空间中节点信息向量xH与偏置向量b的加法为该矩阵在映射平面上的平移，定义双曲空间中节点信息向量xH与权重向量W的乘法为该矩阵在映射平面上做向量乘法，公式如下：
其中
和
表示双曲空间内加法与乘法算子，o表示切向量，L(·)表示洛伦兹变换；
s12.根据上述定义的映射函数与算子，针对每一双曲空间中节点NFH，首先将每一节点映射至切平面：
其中K表示双曲空间系数，不同的K值对应不同的双曲空间，这里一般取K＝1，x表示图中的目标节点；
s13.采用多头注意力机制重新更新每一节点
中包含的有用特征：
其中σ(·)表示激活函数，Nh表示聚合节点的层数，Ni表示节点i的邻居节点总数，
表示节点i与节点j之间的权重系数；
s14.最后重新将节点映射回双曲空间中，完成图数据内部关联特征的凝练：
(2)基于步骤(1)的分析与计算结果，根据可逆神经网络思想，设计双曲空间下可逆图卷积神经网络，实现深度图卷积网络以高效提取相似人群的共同特征，具体计算过程如下：
s21.定义图卷积神经网络层为：
其中σ(·)为激活函数，AGG(·)表示节点聚合函数，Wl and bl表示第l层网络权重与偏置系数；
S22.定义可逆神经网络前向以及反向传播函数，用于保证特征在计算过程中不会出现损失，提高计算人群特征精度，如下所示：
(3)采用编码-解码机制将所提出的模型与下游人群特征分类任务解耦，具体计算过程如下：
s31.参考编解码机制，将定义的模型放置于编码器中，目的是为了通过此编码器学习到一个嵌入向量，用于表示从图数据中提取的高精度特征：
其中箭头部分则为步骤(2)的计算流程；
S32.将下游机器学习模型放入编码器中，通常利用线性映射函数将嵌入向量解码为最终结果并输出：
Out＝Linear(Z) (10)
(4)收集社交网络数据并处理生成两类样本集(训练与测试)，训练并测试步骤(2)与步骤(3)所提出的神经网络模型，从而完成该模型的建立，可以用于实现人群特点分析与分类任务。通过训练集数据的训练，可以计算该模型内所有参数，包括注意层、各深度图卷积层以及编解码器的权重矩阵与偏置项。训练完成后，可以用测试数据测试该模型识别结果的准确性。不同数据集的训练和测试应需要采用对应数据的训练集和测试集。
如附图1，本发明方法首先将以识别目标市民为中心、呈发散状的图结构数据放置于双曲空间中，结合双曲空间内注意力机制凝练社交网络数据内部关联特征。然后采用双曲空间内的可逆图卷积神经网络提取识别特征，最后通过编解码机制将特征用于后续机器学习任务。通过训练集训练该模型、测试集测试该模型，从而完成该深度神经网络的建立，可以用于社交网络领域中具有以识别目标人物为中心、发散状图结构数据的特征分析与危险程度分类。
如附图2，本发明方法设计的神经网络框架由多层可叠加神经网络层构成，包括输入层、Attention层、可加深的DGCN层、Embedding层和输出层。输入层构造全局图信息以及节点信息用于完整描述图结构数据。Attention层用于学习图数据内部各节点间关联关系，进一步突出高关联特征。可加深的DGCN层可以继续细分为双曲空间下的线性变换层、双曲空间下的聚合层以及双曲空间内的激活层，用于图中高精度特征提取。高精度特征通过embedding层编码，最后从输出层得到结果并交付后续认为定义的危险人群分类机制作后续处理，从而提高危险人群分类的准确度。
如附图3，本发明方法中可逆图卷积神经网络采用的思想如下：
其中
表示当前网络层的输入，
表示当前图卷积神经网络层的计算函数，式(1)表示神经网络前向传播时的计算流程，式(2)表示神经网络反向传播时由输出重新恢复输入的计算过程。该过程避免了求导过程，同时消除了存储中间数据的需求，有效提高计算效率。
由于引入了双曲空间表征方法，完整地保留了社交网络数据的图结构特性，同时结合注意力机制于可逆神经网络思想，因此该模型能够更好地捕捉数据中与目标节点相关联的特征。同时，由于模型与下游机器学习任务解耦，使得网络模型能够适应大量多变的环境特征，具有十分好的普适性。
实施应用案例表明，本发明提出的基于双曲空间的可逆深度图卷积神经网络方法是有效的，相对于其它设计方法，本发明方法充分考虑了输入社交网络数据的结构特性，以及图神经神经网络特征提取时会损失部分特征的特性，设计方案更加符合实际的数据处理情况。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种图卷积神经网络下的人群危险程度分析方法，包括如下步骤：
(1)将社交网络中每一个人作为独立的节点，每个人具有的多维特征作为图中节点特征，人与人之间的关系作为节点间相互关联的边，构建图结构数据，通过分析安置于双曲空间内的图结构数据中的节点，结合注意力机制，定义双曲空间下基本矩阵运算算子，凝练图数据内部关联特征，具体计算过程如下：
s11.由于常见的加法、乘法等算子仅仅适用于欧式空间的计算，因此首先需定义双曲空间内的矩阵加法与乘法运算算子。将识别目标节点视为双曲空间中顶点，以该点为切点作欧式空间中的切平面，可以将图结构数据映射至欧式空间中，定义log与exp函数互为映射函数，保证数据映射过程中信息不丢失。定义双曲空间中节点信息向量xH与偏置向量b的加法为该矩阵在映射平面上的平移，定义双曲空间中节点信息向量xH与权重向量W的乘法为该矩阵在映射平面上做向量乘法，公式如下：
其中
和
表示双曲空间内加法与乘法算子，o表示切向量，L(·)表示洛伦兹变换；
s12.根据上述定义的映射函数与算子，针对每一双曲空间中节点NFH，首先将每一节点映射至切平面：
其中K表示双曲空间系数，不同的K值对应不同的双曲空间，这里一般取K＝1，x表示图中的目标节点；
s13.采用多头注意力机制重新更新每一节点
中包含的有用特征：
其中σ(·)表示激活函数，Nh表示聚合节点的层数，Ni表示节点i的邻居节点总数，
表示节点i与节点j之间的权重系数；
s14.最后重新将节点映射回双曲空间中，完成图数据内部关联特征的凝练：
(2)基于步骤(1)的分析与计算结果，根据可逆神经网络思想，设计双曲空间下可逆图卷积神经网络，实现深度图卷积网络以高效提取相似人群的共同特征，具体计算过程如下：
s21.定义图卷积神经网络层为：
其中σ(·)为激活函数，AGG(·)表示节点聚合函数，Wl and bl表示第l层网络权重与偏置系数；
S22.定义可逆神经网络前向以及反向传播函数，用于保证特征在计算过程中不会出现损失，提高计算人群特征精度，如下所示：
(3)采用编码-解码机制将所提出的模型与下游人群特征分类任务解耦，具体计算过程如下：
s31.参考编解码机制，将定义的模型放置于编码器中，目的是为了通过此编码器学习到一个嵌入向量，用于表示从图数据中提取的高精度特征：
其中箭头部分则为步骤(2)的计算流程；
S32.将下游机器学习模型放入编码器中，通常利用线性映射函数将嵌入向量解码为最终结果并输出：
Out＝Linear(Z) (10)
(4)收集社交网络数据并处理生成两类样本集(训练与测试)，训练并测试步骤(2)与步骤(3)所提出的神经网络模型，从而完成该模型的建立，可以用于实现人群特点分析与分类任务。通过训练集数据的训练，可以计算该模型内所有参数，包括注意层、各深度图卷积层以及编解码器的权重矩阵与偏置项。训练完成后，可以用测试数据测试该模型识别结果的准确性。不同数据集的训练和测试应需要采用对应数据的训练集和测试集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011179129.5A CN112365139A (zh) | 2020-10-29 | 2020-10-29 | 一种图卷积神经网络下的人群危险程度分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011179129.5A CN112365139A (zh) | 2020-10-29 | 2020-10-29 | 一种图卷积神经网络下的人群危险程度分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112365139A true CN112365139A (zh) | 2021-02-12 |
Family
ID=74512391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011179129.5A Pending CN112365139A (zh) | 2020-10-29 | 2020-10-29 | 一种图卷积神经网络下的人群危险程度分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365139A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
| CN113779406A (zh) * | 2021-09-16 | 2021-12-10 | 浙江网商银行股份有限公司 | 数据处理方法及装置 |
| CN115795114A (zh) * | 2023-02-10 | 2023-03-14 | 山东浪潮科学研究院有限公司 | 深度学习推理的计算图表示和存储方法及其相关组件 |
-
2020
- 2020-10-29 CN CN202011179129.5A patent/CN112365139A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
| CN113779406A (zh) * | 2021-09-16 | 2021-12-10 | 浙江网商银行股份有限公司 | 数据处理方法及装置 |
| CN115795114A (zh) * | 2023-02-10 | 2023-03-14 | 山东浪潮科学研究院有限公司 | 深度学习推理的计算图表示和存储方法及其相关组件 |
| CN115795114B (zh) * | 2023-02-10 | 2023-04-28 | 山东浪潮科学研究院有限公司 | 深度学习推理的计算图表示和存储方法及其相关组件 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308158B (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
| CN110597735B (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
| CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
| CN112365139A (zh) | 一种图卷积神经网络下的人群危险程度分析方法 | |
| CN116740538A (zh) | 一种基于YOLOv8改进的轻量化目标检测方法及系统 | |
| CN104765768A (zh) | 海量人脸库的快速准确检索方法 | |
| Xie et al. | Unsupervised user identity linkage via factoid embedding | |
| CN117237559B (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
| CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
| CN113516379B (zh) | 一种智能质检的工单评分方法 | |
| CN111401149B (zh) | 基于长短期时域建模算法的轻量级视频行为识别方法 | |
| CN110647632A (zh) | 基于机器学习的图像与文本映射技术 | |
| CN113269239A (zh) | 一种基于多通道卷积神经网络的关系网络节点分类方法 | |
| CN112949904A (zh) | 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法 | |
| CN115391553A (zh) | 一种自动搜索时序知识图谱补全模型的方法 | |
| CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
| CN114792126A (zh) | 一种基于遗传算法的卷积神经网络设计方法 | |
| CN115188440A (zh) | 一种相似病历智能匹配方法 | |
| CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
| CN113657472A (zh) | 一种基于子空间学习的多源遥感数据融合方法 | |
| CN117372144A (zh) | 应用于小样本场景的风控策略智能化方法及系统 | |
| CN104468276A (zh) | 基于随机抽样多分类器的网络流量识别方法 | |
| CN110633394A (zh) | 基于特征加强的图压缩方法 | |
| CN109871469A (zh) | 基于动态图元的小簇人群识别方法 | |
| CN114722920A (zh) | 一种基于图分类的深度图卷积模型钓鱼账户识别方法 |
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: 20210212 |