CN112784116A - 一种在区块链中识别用户行业身份的方法 - Google Patents

一种在区块链中识别用户行业身份的方法 Download PDF

Info

Publication number
CN112784116A
CN112784116A CN202011433640.3A CN202011433640A CN112784116A CN 112784116 A CN112784116 A CN 112784116A CN 202011433640 A CN202011433640 A CN 202011433640A CN 112784116 A CN112784116 A CN 112784116A
Authority
CN
China
Prior art keywords
industry
user
transaction
identity
label
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
Application number
CN202011433640.3A
Other languages
English (en)
Inventor
韩伟力
陈鼎洁
吕朝阳
王锴
陈辰
黄大鹏
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN202011433640.3A priority Critical patent/CN112784116A/zh
Publication of CN112784116A publication Critical patent/CN112784116A/zh
Pending legal-status Critical Current

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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/04—Payment circuits
    • G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
    • G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Technology Law (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于区块链技术领域，具体为一种在区块链中对用户行业身份的识别方法。本发明主要包括：构建指定时间窗口下基于用户的交易时序网络；利用网络表征学习算法学习交易网络中的结构化特性，生成每个用户（节点）的向量表示；自动化收集地址及其行业标签数据，划分为五个行业（暗网、交易所、赌博、矿工、服务商），确定已知身份用户在行业中的角色（组织者、参与者）；利用多标签分类模型，学习用户向量表示和行业身份标签之间的关系，识别未知身份用户的行业身份标签。本发明能够在区块链中快速识别和预测用户的行业身份信息，判断其活动的主要目的，帮助从宏观角度分析区块链的生态系统。

Description

一种在区块链中识别用户行业身份的方法
技术领域
本发明属于区块链技术领域，具体为一种在区块链中识别用户行业身份的方法。
背景技术
2008年，比特币由一位化名中本聪的人首先提出，这种以区块链技术为底层支撑的数字加密货币在学术领域引发了广泛的研究热潮，并且凭借其全球共享、匿名支付等特性，吸引了大量用户，发展迅猛。据加密货币咨询网站CoinMarketCap统计显示，比特币总市值已达到1800亿美元，比特币价格达到9800美元左右。不少犯罪分子利用比特币区块链中交易匿名性的特点隐藏自己的真实身份，进行各类非法活动，导致犯罪率大幅度上涨, 严重威胁到个人财产安全甚至人身安全，亟需相关研究。
另外，随着交易量的快速增长，一些目的相似的用户和活动已逐渐形成稳定甚至具有代表性的模块结构，探究这种模块结构并分析其相互作用可以加强对区块链交易网络增长机制和关键结构的分析和研究，这从宏观角度丰富了对区块链的理解。
尽管这些模块结构的信息可以很好地反映区块链中经济活动的变化和发展趋势，但是目前对区块链中非法活动的研究主要集中在地址和用户层面，缺少宏观角度的探索。本发明的重点在于，以比特币区块链为例，引入比特币行业的概念描述模块化结构，将比特币用户分为五个行业，预测用户的行业身份信息。目前对于比特币区块链中识别用户行业身份信息并没有成熟的研究成果或产品发表。
发明内容
本发明的目的是为了解决单纯从地址和用户维度分析区块链的局限性，从宏观角度分析区块链的发展规律，提供一种新颖的在区块链中识别用户行业身份的方法。
本发明支持以有向图的方式构建用户交易网络，包括：使用NetworkX的有向图以用户本身为节点，以用户间建立的交易关系为边，构建指定时间窗口内的交易时序网络图。
本发明提供精准地获取行业标签数据的方法，包括：爬虫自动收集相关网站中公开的比特币地址标签数据，并根据行业类别进行分类，然后按照相应规则提取行业中的组织者与参与者。
本发明提供高精度的在区块链中识别用户行业身份的通用方法，包括：首先利用网络表征学习算法生成交易网络图中所有节点的向量表示，然后利用多标签分类模型学习节点向量表示和行业标签之间的关系，预测用户的行业身份。
与其他区块链分析角度和方式不同的是，本发明自动收集并分类比特币区块链中地址标签信息，识别用户在一定时间窗口内的行业身份信息，实现从行业宏观角度开展对比特币区块链发展规律的分析。
本发明提供的在区块链中识别用户行业身份的方法，具体分为四个步骤。
步骤一：构建基于用户的交易时序网络
同步区块链上的全量原始交易数据；将基于地址的交易替换为基于用户的交易；使用有向图构建指定时间窗口内的交易时序网络图；其中，每个节点代表用户，每条边代表一笔交易中发送者和接收者的关系，边的权重记录区块链交易的时间和金额。
步骤二：生成网络中每个节点的向量表示
利用网络表征学习算法（例如DeepWalk（【1】））学习步骤一中生成的交易时序网络的结构；针对某个节点，使用深度优先遍历算法【2】根据节点间的连接信息，显式地聚合邻居节点及边的属性，形成这个节点在网络结构中的位置属性序列（即“句子”序列），进而使用深度学习模型进行无监督学习，为图中的节点生成低维定长向量。
步骤三：收集整理行业标签数据及确定用户行业身份和角色
爬虫自动收集相关网站（例如WalletExplorer）中公开的比特币地址行业标签，并按照标签类别进行归纳整理，形成比特币区块链重要实体的行业标签数据集，包括暗网、交易所、矿工、服务商、赌博五个行业；根据交易信息确定每个行业中的组织者和参与者；最终具有已知身份的地址数目占20%左右。
上述步骤中，收集行业标签数据及确定用户行业身份和角色的具体流程为：
（1）爬虫自动收集相关网站中公开的地址标签数据，形成区块链重要实体的标签数据集；参考网站中原有的行业标签，调查这些实体提供的商品或服务的类型，将这些地址相关用户按照行业类型划分为五个行业：暗网（d）、交易所（e）、赌博（g）、矿工（m）、服务商（s）；
（2）其中，每个行业中用户存在组织者（o）和参与者（p）两种角色；行业用户行业标签被进一步精准标注为行业和角色的组合，如赌博活动参与者（g_p）、暗网活动组织者（d_o）等，具体包括如下子步骤：
（2.1）根据这些实体的声明，将其包含的地址相关用户分类为各行业组织者，钱包管理地址除外，这些地址是参与者使用的个人管理账户；
（2.2）总结提取规则如表1，从各行业组织者相关交易中识别各行业参与者；在暗网、交易所、赌博和矿工四个行业中，我们按照交易信息，从组织者参与的交易中提取参与者信息；
表1各行业参与者的提取规则
Figure DEST_PATH_IMAGE001
（2.3）服务行业中提供的服务种类繁多，其服务要求因交易而异，因此我们进一步将该行业的规则分为三种情况；第一种是借贷服务，用户可以使用该服务借用加密货币，或者作为受益人暂时借出自己的加密货币以赚取利息，这两种行为都意味着可以将此类交易的发送者或接收者视为服务的参与者；第二种情况是返利服务，用户在返利平台上达到足够的广告点击或视频观看数量后，该平台将向其支付一定数量的加密货币作为奖励，因此，在交易中收到加密货币的收件人被视为服务的参与者；第三种情况就是除了这两种特定类型的服务，我们将其余服务划分为同一类来提取参与者。
步骤四：识别用户行业身份标签
根据步骤二中生成的用户节点向量表示和步骤三中收集的行业标签数据，利用多标签分类机器学习模型，学习用户向量表示和标签之间的关系，为无标签用户预测身份信息（矿工行业参与者可用过Coinbase交易直接确定，故实际预测五个行业中共计九种行业身份），得到用户在指定时间段内一个甚至多个行业身份标签。
技术效果
本发明提出的方案是高效的，通过采用NetworkX工具构建复杂的交易网络图，减小内存使用，提高了空间使用率；可以快速检索节点及其临近节点，降低了时间消耗。
本发明提出的方案识别出的用户行业有高精确度，一方面对标签数据集进行合理划分，提取出行业的参与者，丰富了标签数据集，提高了用于模型训练的数据量；另一方面对机器学习模型进行了不断的调优，确定了一系列参数，保证了模型准确的预测。
本发明提出的方案是易于实现的，理想情况下可以使用任意一种编程语言完成。其主要技术难点在于行业组织者和参与者角色的划分，以及大规模交易网络中的节点向量表示学习。本发明在这两方面都提出了较好的就解决方法，并取得了较好的准确率。
本发明所设计的用户行业的识别方法，除了可以直接用在比特币区块链上，其相应的处理方法也可为其它支付网络中的预测用户行业方案提供参考，通过自定义修改标签的形式，即可设计出针对不同支付网络的用户行业识别方案。可帮助从宏观角度分析比特币区块链的发展趋势和非法活动的行为目的，具有很好的应用前景和发展前景。
附图说明
图1为识别用户行业身份的整体流程图。
具体实施方式
下面对本发明的实施例作详细说明，给出详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
在本发明实施例中，识别用户行业身份方法的整体流程图如图1所示。在获取了网站上的标签数据集并加以处理后，这里以7天为时间窗口长度，选取2012-02-01到2012-02-08的时间段，在实际使用中可以根据需求随意变化。提取当前时间段的所有比特币交易，使用NetworkX工具构建交易网络图，节点代表用户，边代表用户之间通过交易建立的联系，边的权重代表这笔交易的金额。共有40528个节点（用户），96684条边（交易关系）。部分结果如下表2：
表2，交易时序网络图部分节点内容
Figure 395545DEST_PATH_IMAGE002
。
将上表中的交易网络图使用DeepWalk网络表征学习算法，学习网络中的结构化特性，为每个节点生成128维的向量表示，关系较密切的节点的向量表示会比较相近，部分结果如表3：
表3，网络表征学习算法得到的节点向量表示
Figure RE-250051DEST_PATH_IMAGE003
。
根据总结的行业参与者的提取规则，提取当前时间段每个行业中的参与者，得到2145个有标签的节点，一个节点的标签可能有多个。部分结果如下表4：
表4，部分已有行业标签节点的情况
Figure RE-517085DEST_PATH_IMAGE004
。
然后将带有标签的节点作为训练数据集，利用多标签分类模型学习节点向量表示和行业身份标签之间的联系，预测剩余节点（用户）的行业身份标签及概率。部分结果如下表5：
表5部分经模型预测得到的用户行业身份
Figure 222392DEST_PATH_IMAGE006
。
参考文献
1．Perozzi, Bryan, Rami Al-Rfou, and Steven Skiena. "Deepwalk: Onlinelearning of social representations." Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. 2014.
2．Tarjan, Robert. "Depth-first search and linear graph algorithms."SIAM journal on computing 1.2 (1972): 146-160。

Claims (3)

1. 一种在区块链中识别用户行业身份的方法，其特征在于，具体步骤如下：
步骤一：构建基于用户的交易时序网络
同步区块链上的全量原始交易数据；将基于地址的交易替换为基于用户的交易；使用有向图构建指定时间窗口内的交易时序网络图；其中，每个节点代表用户，每条边代表一笔交易中发送者和接收者的关系，边的权重记录区块链交易的时间和金额；
步骤二：生成网络中每个节点的向量表示
利用网络表征学习算法学习步骤一中生成的交易时序网络的结构；针对某个节点，使用深度优先遍历算法根据节点间的连接信息，显式地聚合邻居节点及边的属性，形成这个节点在网络结构中的位置属性序列，即“句子”序列，进而使用深度学习模型进行无监督学习，为图中的节点生成低维定长向量；
步骤三：收集整理行业标签数据及确定用户行业身份和角色
爬虫自动收集相关网站中公开的比特币地址行业标签，并按照标签类别进行归纳整理，形成比特币区块链重要实体的行业标签数据集，包括暗网、交易所、矿工、服务商、赌博五个行业；根据交易信息确定每个行业中的组织者和参与者；最终具有已知身份的地址数目占20%左右；
步骤四：识别用户行业身份标签
根据步骤二中生成的用户节点向量表示和步骤三中收集的行业标签数据，利用多标签分类机器学习模型，学习用户向量表示和标签之间的关系，为无标签用户预测身份信息，得到用户在指定时间段内一个甚至多个行业身份标签。
2.根据权利要求1所述的在区块链中识别用户行业身份的方法，其特征在于，步骤三中，所述收集行业标签数据及确定用户行业身份和角色的具体流程为：
（1）爬虫自动收集相关网站中公开的地址标签数据，形成区块链重要实体的标签数据集；参考网站中原有的行业标签，调查这些实体提供的商品或服务的类型，将这些地址相关用户按照行业类型划分为五个行业：暗网（d）、交易所（e）、赌博（g）、矿工（m）、服务商（s）；
（2）其中，每个行业中用户存在组织者（o）和参与者（p）两种角色；将行业用户行业标签进一步精准标注为行业和角色的组合，具体包括如下子步骤：
（2.1）根据这些实体的声明，将其包含的地址相关用户分类为各行业组织者，钱包管理地址除外，这些地址是参与者使用的个人管理账户；
（2.2）总结提取规则，从各行业组织者相关交易中识别各行业参与者；在暗网、交易所、赌博和矿工四个行业中，按照交易信息，从组织者参与的交易中提取参与者信息；
（2.3）对于服务行业，将该行业的规则分为三种情况：
第一种是借贷服务，用户可以使用该服务借用加密货币，或者作为受益人暂时借出自己的加密货币以赚取利息；对于这两种行为，将交易的发送者或接收者视为服务的参与者；
第二种情况是返利服务，用户在返利平台上达到足够的广告点击或视频观看数量后，该平台将向其支付一定数量的加密货币作为奖励；对于在交易中收到加密货币的收件人被视为服务的参与者；
第三种情况就是除了这两种特定类型的服务，将其余服务划分为同一类来提取参与者。
3. 根据权利要求2所述的在区块链中识别用户行业身份的方法，其特征在于，子步骤（2.2）中所述总结的提取规则如下表1：
表1各行业参与者的提取规则
Figure 438351DEST_PATH_IMAGE002
。
CN202011433640.3A 2020-12-10 2020-12-10 一种在区块链中识别用户行业身份的方法 Pending CN112784116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011433640.3A CN112784116A (zh) 2020-12-10 2020-12-10 一种在区块链中识别用户行业身份的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011433640.3A CN112784116A (zh) 2020-12-10 2020-12-10 一种在区块链中识别用户行业身份的方法

Publications (1)

Publication Number Publication Date
CN112784116A true CN112784116A (zh) 2021-05-11

Family

ID=75750719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011433640.3A Pending CN112784116A (zh) 2020-12-10 2020-12-10 一种在区块链中识别用户行业身份的方法

Country Status (1)

Country Link
CN (1) CN112784116A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590721A (zh) * 2021-06-25 2021-11-02 中国人民银行数字货币研究所 一种区块链地址分类方法和装置
CN117371540A (zh) * 2023-12-07 2024-01-09 南京信息工程大学 一种基于深度图神经网络的区块链地址身份推断方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102023A (zh) * 2018-08-14 2018-12-28 阿里巴巴集团控股有限公司 一种分类模型生成方法及装置、一种数据识别方法及装置
CN109347789A (zh) * 2018-08-21 2019-02-15 平安科技（深圳）有限公司 服务器、基于区块链的欺诈客户信息的共享方法及介质
CN110660395A (zh) * 2019-08-26 2020-01-07 天津开心生活科技有限公司 一种基于语音识别的安全报告生成方法和装置
US20200082933A1 (en) * 2018-09-07 2020-03-12 International Business Machines Corporation Pre-authorization process using blockchain
CN110942391A (zh) * 2019-11-26 2020-03-31 复旦大学 在区块链中多活动标签用户的主要活动标签确定方法
CN111833183A (zh) * 2019-12-25 2020-10-27 北京熠智科技有限公司 用于衡量区块链账户地址价值的方法以及装置、设备、存储介质
CN111860981A (zh) * 2020-07-03 2020-10-30 航天信息(山东)科技有限公司 一种基于lstm深度学习的企业国民行业类别预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102023A (zh) * 2018-08-14 2018-12-28 阿里巴巴集团控股有限公司 一种分类模型生成方法及装置、一种数据识别方法及装置
CN109347789A (zh) * 2018-08-21 2019-02-15 平安科技（深圳）有限公司 服务器、基于区块链的欺诈客户信息的共享方法及介质
US20200082933A1 (en) * 2018-09-07 2020-03-12 International Business Machines Corporation Pre-authorization process using blockchain
CN110660395A (zh) * 2019-08-26 2020-01-07 天津开心生活科技有限公司 一种基于语音识别的安全报告生成方法和装置
CN110942391A (zh) * 2019-11-26 2020-03-31 复旦大学 在区块链中多活动标签用户的主要活动标签确定方法
CN111833183A (zh) * 2019-12-25 2020-10-27 北京熠智科技有限公司 用于衡量区块链账户地址价值的方法以及装置、设备、存储介质
CN111860981A (zh) * 2020-07-03 2020-10-30 航天信息(山东)科技有限公司 一种基于lstm深度学习的企业国民行业类别预测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590721A (zh) * 2021-06-25 2021-11-02 中国人民银行数字货币研究所 一种区块链地址分类方法和装置
CN113590721B (zh) * 2021-06-25 2024-01-30 中国人民银行数字货币研究所 一种区块链地址分类方法和装置
CN117371540A (zh) * 2023-12-07 2024-01-09 南京信息工程大学 一种基于深度图神经网络的区块链地址身份推断方法及系统
CN117371540B (zh) * 2023-12-07 2024-03-15 南京信息工程大学 一种基于深度图神经网络的区块链地址身份推断方法及系统

Similar Documents

Publication Publication Date Title
Kim et al. When Bitcoin encounters information in an online forum: Using text mining to analyse user opinions and predict value fluctuation
Huang et al. Using social media mining technology to improve stock price forecast accuracy
Nti et al. Predicting stock market price movement using sentiment analysis: Evidence from Ghana
CN113902534A (zh) 一种基于股票社区关系图谱的交互风险团伙识别方法
CN113010578B (zh) 社区数据分析方法、装置、社区智能交互平台及存储介质
CN112784116A (zh) 一种在区块链中识别用户行业身份的方法
Liu et al. Improving fraud detection via hierarchical attention-based graph neural network
Zhao et al. Exploring the choice under conflict for social event participation
Li et al. Event extraction for criminal legal text
Zhang Sales forecasting of promotion activities based on the cross-industry standard process for data mining of E-commerce promotional information and support vector regression
Mbunge et al. Deep learning and machine learning techniques for analyzing travelers' online reviews: a review
Yuping et al. New methods of customer segmentation and individual credit evaluation based on machine learning
Song et al. Blockchain data analysis from the perspective of complex networks: Overview
Sharma et al. DeepWalk Based Influence Maximization (DWIM): Influence Maximization Using Deep Learning.
Tian et al. Inferring private attributes based on graph convolutional neural network in social networks
Rao et al. BMSP-ML: big mart sales prediction using different machine learning techniques
Luo Application of improved clustering algorithm in investment recommendation in embedded system
Sharma et al. Importance of Big Data in financial fraud detection
Long et al. MS_HGNN: a hybrid online fraud detection model to alleviate graph-based data imbalance
Lade et al. Bitcoin Price Prediction and NFT Generator Based on Sentiment Analysis
Lv et al. Market behavior-oriented deep learning-based secure data analysis in smart cities
Zhao et al. Detecting fake reviews via dynamic multimode network
Huang et al. Imbalanced Credit Card Fraud Detection Data: A Solution Based on Hybrid Neural Network and Clustering-based Undersampling Technique
Ihm et al. A policy knowledge-and reasoning-based method for data-analytic city policymaking
Yuan [Retracted] Analysis of Consumer Behavior Data Based on Deep Neural Network Model

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: 20210511

RJ01 Rejection of invention patent application after publication