CN113297429A - 一种基于神经网络架构搜索的社交网络链路预测方法 - Google Patents
一种基于神经网络架构搜索的社交网络链路预测方法 Download PDFInfo
- Publication number
- CN113297429A CN113297429A CN202110566210.7A CN202110566210A CN113297429A CN 113297429 A CN113297429 A CN 113297429A CN 202110566210 A CN202110566210 A CN 202110566210A CN 113297429 A CN113297429 A CN 113297429A
- Authority
- CN
- China
- Prior art keywords
- nodes
- node
- neural network
- cell
- search
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 2
- 125000002015 acyclic group Chemical group 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000013209 evaluation strategy Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000010186 staining Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
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
- 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
-
- 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)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于神经网络架构搜索的社交网络链路预测方法,包括以下步骤:步骤1,构建训练数据集;步骤2,利用神经网络架构搜索框架进行搜索,并对搜索框架进行改进;利用其搜索到的最优cell构建神经网络模型;步骤3,对社交网络进行链路预测。该方法可以自动探索更优的神经网络的结构,从而降低了在链路预测中人工设计神经网络的困难,并可以提高链路预测算法的预测效果。
Description
技术领域
本发明涉及一种基于神经网络架构搜索的社交网络链路预测方法,适用于社交网络预测,并且在此基础上可以获得比基于神经网络的链路预测方法更好的预测效果。
背景技术
社交网络的研究一直是研究热点,其中链路预测是社交网络的核心内容之一。社交网络中节点表示用户,连边表示用户之间的关系,链路预测即是对社交网络中的任意两个用户,根据已有的数据,预测这两个用户间是否存在社交关系,即表现为两个节点是否存在连边。
目前,链路预测的研究方法有基于节点属性,网络拓扑结构,以及基于深度学习等。基于节点属性的方法可以根据节点间是否有相同标签来判断是否存在连接,但出于隐私保护,信息获取难度大,所以基于节点属性的方法难度较大,基于网络拓扑结构的方法根据网络结构的相似性来判断节点的相似性,但该方法的预测精度低,且普适性差,常常需要针对某一类复杂网络的特征设计算法。基于深度学习的方法将社交网络的拓扑结构当做输入,利用神经网络自动提取特征进行学习,并进行预测,基于神经网络的方法更加普适,但当前大多数基于深度学习的链路预测方法中,神经网络的结构的设计都依赖科研人员的调参经验,没有进行足够的探索,使得最终方法的预测效果不佳。
在链路预测的研究中,神经网络模型用于对社交网络的邻接矩阵做特征提取,并利用提取的特征做最终的二分类预测(判断两个节点之间是否存在连边)。因此,神经网络模型学习能力的好坏决定了最终的预测精度。虽然越深的神经网络模型拟合能力越强,但越深的神经网络模型越容易出现过拟合现象,表现为在训练数据集上预测精度偏高,在测试数据集上预测精度偏低。而且不同的数据集具有不同的分布,不存在一个足够鲁棒的神经网络模型,适用所有数据集。所以在实际应用当中如果希望获得更高的预测精度,那么就需要寻找更合适的神经网络模型,而现有技术中这一步工作需要从业人员具备相当的调参经验以及大量的时间和精力,对于企业应用来讲显得效率偏低。
在论文《Weisfeiler-Lehman Neural Machine for Link Prediction》,KDD2017Research Paper,中提出了一种对基于神经网络的链路预测方法,该方法使用的是只有3层全连接层的神经网络结构,在应对更复杂的社交网络依旧表现不足。
发明内容
发明目的:针对现有技术中存在的问题与不足,本发明提供一种基于神经网络架构搜索的社交网络链路预测方法,该方法可以自动探索更优的神经网络的结构,从而降低了在链路预测中人工设计神经网络的困难,并可以提高链路预测算法的预测效果。
技术方案:一种基于神经网络架构搜索的社交网络链路预测方法,具体包括以下步骤:
步骤1,构建训练数据集。
步骤2,利用神经网络架构搜索框架进行搜索,并对搜索框架进行改进。利用其搜索到的最优cell构建神经网络模型。
步骤3,对社交网络进行链路预测。
所述步骤1中,对于一个社交网络,网络中的节点通常表示用户,节点间的连边表示两个用户之间的存在的社交关系。这里用V={v1,…vn}表示网络中节点的集合,表示节点间边的集合。用Γ(x)表示节点x直接相连的邻居集合,Γd(x)表示距离节点x有d跳的邻居集合。对任意两个节点x和y,依次将Γ(x),Γ(y),Γ2(x),Γ2(y)……添加到节点集合V中,直到节点x和y不再有邻居节点或者邻居节点集合的节点总数大于某个阈值N。再将节点集合以及节点之间的连边构成的邻接矩阵作为数据样本的特征,节点x和y是否存在连边作为数据样本标签。将邻接矩阵特征(数据样本的特征)和标签作为数据集,数据集分成训练、验证、测试三组提供搜索框架进行网络结构的搜索。
步骤2中,本发明对搜索框架的搜索空间进行了改进,使其更适合于社交网络的链路预测。由于输入数据为链路两个节点的邻居节点集以及边集所构成的0-1邻接矩阵,在实际情况中,大部分邻接矩阵都十分稀疏,这也是社交网络的特性之一,常规卷积或者可分离卷积操作等处理的数据都为稠密数据(例如图像),这使得直接用这类卷积构建的神经网络显得比较低效。基于这点观察,本发明在搜索空间的设计上将所有卷积操作都替换为稀疏卷积(sparse convolution,SC)。稀疏卷积的区别在于提出的活动点(active site)概念,对于第一层的特征图,活动点即为邻接矩阵上为1的点,对之后层的特征图,若当前点存在活动点(active site),则为活动点。活动点的计算方式与传统卷积相同,对于非活动点直接设置为0。利用稀疏卷积,神经网络保留了数据的稀疏性。
步骤3将步骤1数据集的训练集和验证集合并为训练集训练从搜索框架搜索到的神经网络模型,并利用训练好的神经网络模型预测待测试数据,输出节点之间产生连接的概率。
附图说明
图1是本发明方法流程图;
图2是本发明链路子图;
图3是cell结构总图;
图4是cell的堆叠方式图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,基于神经网络架构搜索的社交网络链路预测方法,在步骤1中,首先对数据集进行预处理,对于一条需要预测的链路,提取其相关子图,子图如图2所示,图中的编号表示节点编号。对于链路(x,y),首先添加它们的直接邻居集合Γ(x),Γ(y)到节点集合Vk中,然后,将集合Γ2(x),Γ2(y),Γ3(x),Γ3(y),Γ4(x),Γ4(y)…依次添加到节点集合Vk中直到|Vk|≥K,或者没有更多的邻居节点。这里将K定为10和20两组,其次是对子图进行编码,子图编码是将每个封闭子图表示为具有特定顺序的邻接矩阵,以便我们设计的网络可以顺序读取数据,所以我们先按照节点x和节点y的Γ(x),Γ(y),Γ2(x),Γ2(y),Γ3(x),Γ3(y),…顺序排列,再按节点编号排列以保证顺序,对于|Vk|>K部分丢弃。
对每一个子图,用图标记算法决定每一个节点的顺序,对于一个好的图标记算法,应该要满足以下两点:
3)中心转换总是具有最小的颜色
4)更靠近中心链接的节点具有比更远的颜色更小的颜色
图标记算法应该满足的以上两点,这对于定义有意义的节点排序是至关重要的。如果图形标记方法不保持该方向性,则生成的节点表示对于链接预测可能非常差。
只有同时满足以上两个条件,才能对子图进行一个好的编码。
这里用染色表示对不同节点的编码。
算法输入:以节点x,节点y为链路中心的子图
算法输出:所有节点的一个颜色标号
2)得到每个节点的初始化颜色:c(v)=f(d(v))
3)为除节点x和y以外的所有节点计算哈希值h(v)
4)通过哈希值h(v)更新节点的颜色c(v)
5)重复3)4)两步直到c(v)收敛
在上述算法中,d(v,x)表示节点v与节点x之间的距离,d(v,y)表示节点v与节点y之间的距离,函数f:RK→CK表示K个整数与K种颜色之间的一种映射关系,函数f首先将最小的整数映射到第一种颜色,再将第二小的整数映射到第二种颜色,依次类推。h(v)是对节点v的一种哈希映射
每条链路的子图,以及该链路的标签作为数据集,构建好数据集后,将数据集分为训练集,验证集和测试集三部分,每部分的比例为60%,20%,20%。
在步骤2中,首先是搜索空间的定义,搜索空间由两部分组成,操作配置和网络结构,操作配置包含3*3稀疏卷积,5*5稀疏卷积,3*3平均池化,3*3最大池化,跳边和空值。在网络结构上,所有的cell(单元)结构都是从包含5个节点的总图产生的有向无环子图,总图结构如图3所示,边表示操作。其次是cell的结构,cell的输出由所有的中间节点进行合并,cell结构分为常规cell和缩减cell,常规cell和缩减cell的结构区别在于常规cell输出特征图大小和输入的特征图一样,而缩减cell和是常规cell的一半,最终的网络结构由8个cell堆叠而成,堆叠方式为两个常规单元后接一个缩减单元,结构如图4所示。其次是优化策略,网络结构的权重参数使用带动量的随机梯度下降算法进行优化。网络结构变量使用Adam算法进行优化。最后的评估策略使用AUC指标。
首先,搜索框架在初始状态下随机采样一个神经网络结构,再利用训练集进行训练。对于训练完成的神经网络结构会用验证集进行评估,并将AUC值作为评估指标对网络结构变量进行优化。进入下一轮迭代。在选出最优的常规cell和缩减cell之后,按照图4方式进行堆叠,整个网络结构包含8个单元,在网络结构的第3个单元和第6个单元使用缩减cell,其他均为常规cell,构建最终的网络结构。
在步骤3中,将训练集,验证集合并为训练集,训练最终的网络结构,直到网络收敛,之后再用测试集测试网络结构。
Claims (7)
1.一种基于神经网络架构搜索的社交网络链路预测方法,其特征在于,包括以下步骤:
步骤1,构建训练数据集;
步骤2,利用神经网络架构搜索框架进行搜索,并对搜索框架进行改进;利用其搜索到的最优cell构建神经网络模型;
步骤3,对社交网络进行链路预测。
2.根据权利要求1所述的基于神经网络架构搜索的社交网络链路预测方法,其特征在于,所述步骤1中,网络中的节点表示实体,节点间的连边表示两个实体之间的关系;用V={v1,…vn}表示网络中节点的集合,表示节点间边的集合;用Γ(x)表示节点x直接相连的邻居集合,Γd(x)表示距离节点x有d跳的邻居集合;对任意两个节点x和y,依次将Γ(x),Γ(y),Γ2(x),Γ2(y)……添加到节点集合V中,直到节点x和y不再有邻居节点或者邻居节点集合的节点总数大于某个阈值N;再将节点集合以及节点之间的连边构成的邻接矩阵作为数据样本的特征,节点x和y是否存在连边作为数据样本标签;将数据样本的特征和标签作为数据集,数据集分成训练、验证、测试三组提供搜索框架进行网络结构的搜索。
3.根据权利要求1所述的基于神经网络架构搜索的社交网络链路预测方法,其特征在于,所述步骤2中,对搜索框架进行改进指的是在搜索空间的设计上将所有卷积操作都替换为稀疏卷积。
4.根据权利要求1所述的基于神经网络架构搜索的社交网络链路预测方法,其特征在于,所述步骤3中,将步骤1数据集的训练集和验证集合并为训练集训练从搜索框架搜索到的神经网络模型,并利用训练好的神经网络模型预测待测试数据,输出节点之间产生连接的概率。
5.根据权利要求1所述的基于神经网络架构搜索的社交网络链路预测方法,其特征在于,在步骤1中,对于一条需要预测的链路,提取其相关子图,其次是对子图进行编码,子图编码是将每个封闭子图表示为具有顺序的邻接矩阵,以便顺序读取数据;
对每一个子图,用图标记算法决定每一个节点的顺序,图标记算法,应该要满足以下两点:
1)中心转换总是具有最小的颜色
2)更靠近中心链接的节点具有比更远的颜色更小的颜色
用染色表示对不同节点的编码:
算法输入:以节点x,节点y为链路中心的子图
算法输出:所有节点的一个颜色标号
2)得到每个节点的初始化颜色:c(v)=f(d(v))
3)为除节点x和y以外的所有节点计算哈希值h(v)
4)通过哈希值h(v)更新节点的颜色c(v)
5)重复3)4)两步直到c(v)收敛
d(v,x)表示节点v与节点x之间的距离,d(v,y)表示节点v与节点y之间的距离,函数f:RK→CK表示K个整数与K种颜色之间的一种映射关系,函数f首先将最小的整数映射到第一种颜色,再将第二小的整数映射到第二种颜色,依次类推;h(v)是对节点v的一种哈希映射
6.根据权利要求1所述的基于神经网络架构搜索的社交网络链路预测方法,其特征在于,在步骤2中,首先是搜索空间的定义,搜索空间由两部分组成,操作配置和网络结构,操作配置包含3*3稀疏卷积,5*5稀疏卷积,3*3平均池化,3*3最大池化,跳边和空值;
在网络结构上,所有的cell结构都是从包含5个节点的总图产生的有向无环子图,边表示操作;其次是cell的结构,cell的输出由所有的中间节点进行合并,cell结构分为常规cell和缩减cell,常规cell和缩减cell的结构区别在于常规cell输出特征图大小和输入的特征图一样,而缩减cell和是常规cell的一半,最终的网络结构由8个cell堆叠而成,堆叠方式为两个常规单元后接一个缩减单元。
7.根据权利要求6所述的基于神经网络架构搜索的社交网络链路预测方法,其特征在于,其次是优化策略,网络结构的权重参数使用带动量的随机梯度下降算法进行优化;网络结构变量使用Adam算法进行优化;最后的评估策略使用AUC指标;首先,搜索框架在初始状态下随机采样一个神经网络结构,再利用训练集进行训练;对于训练完成的神经网络结构会用验证集进行评估,并将AUC值作为评估指标对网络结构变量进行优化;进入下一轮迭代;在选出最优的常规cell和缩减cell之后,整个网络结构包含8个单元,在网络结构的第3个单元和第6个单元使用缩减cell,其他均为常规cell,构建最终的网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566210.7A CN113297429B (zh) | 2021-05-24 | 2021-05-24 | 一种基于神经网络架构搜索的社交网络链路预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566210.7A CN113297429B (zh) | 2021-05-24 | 2021-05-24 | 一种基于神经网络架构搜索的社交网络链路预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297429A true CN113297429A (zh) | 2021-08-24 |
CN113297429B CN113297429B (zh) | 2023-09-29 |
Family
ID=77324330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110566210.7A Active CN113297429B (zh) | 2021-05-24 | 2021-05-24 | 一种基于神经网络架构搜索的社交网络链路预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297429B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116192650A (zh) * | 2023-02-21 | 2023-05-30 | 湖南大学 | 一种基于子图特征的链路预测方法 |
TWI804386B (zh) * | 2021-11-04 | 2023-06-01 | 美商萬國商業機器公司 | 用於計算系統中資料之合規風險管理 |
CN117592114A (zh) * | 2024-01-19 | 2024-02-23 | 中国电子科技集团公司第三十研究所 | 面向网络平行仿真的数据脱敏方法、系统和可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180349477A1 (en) * | 2017-06-06 | 2018-12-06 | Facebook, Inc. | Tensor-Based Deep Relevance Model for Search on Online Social Networks |
JP6436262B1 (ja) * | 2018-07-03 | 2018-12-12 | 日本電気株式会社 | ネットワーク管理装置、ネットワークシステム、方法、及びプログラム |
CN110060042A (zh) * | 2019-03-15 | 2019-07-26 | 上海大学 | 基于能源区块链的私有充电桩安全共享与电动汽车充电优化的系统及方法 |
CN110659395A (zh) * | 2019-08-14 | 2020-01-07 | 平安科技(深圳)有限公司 | 关系网络图谱构建方法、装置、计算机设备和存储介质 |
WO2020068831A1 (en) * | 2018-09-26 | 2020-04-02 | Visa International Service Association | Dynamic graph representation learning via attention networks |
US20200311798A1 (en) * | 2019-03-25 | 2020-10-01 | Board Of Trustees Of The University Of Illinois | Search engine use of neural network regressor for multi-modal item recommendations based on visual semantic embeddings |
CN111814966A (zh) * | 2020-08-24 | 2020-10-23 | 国网浙江省电力有限公司 | 神经网络架构搜索方法、神经网络应用方法、设备及存储介质 |
US20200410002A1 (en) * | 2019-06-25 | 2020-12-31 | Adobe Inc. | System for identifying typed graphlets |
CN112381208A (zh) * | 2020-11-13 | 2021-02-19 | 中国科学院计算技术研究所 | 一种深度渐进且逐步寻优的神经网络架构搜索方法与系统 |
-
2021
- 2021-05-24 CN CN202110566210.7A patent/CN113297429B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180349477A1 (en) * | 2017-06-06 | 2018-12-06 | Facebook, Inc. | Tensor-Based Deep Relevance Model for Search on Online Social Networks |
JP6436262B1 (ja) * | 2018-07-03 | 2018-12-12 | 日本電気株式会社 | ネットワーク管理装置、ネットワークシステム、方法、及びプログラム |
WO2020068831A1 (en) * | 2018-09-26 | 2020-04-02 | Visa International Service Association | Dynamic graph representation learning via attention networks |
CN110060042A (zh) * | 2019-03-15 | 2019-07-26 | 上海大学 | 基于能源区块链的私有充电桩安全共享与电动汽车充电优化的系统及方法 |
US20200311798A1 (en) * | 2019-03-25 | 2020-10-01 | Board Of Trustees Of The University Of Illinois | Search engine use of neural network regressor for multi-modal item recommendations based on visual semantic embeddings |
US20200410002A1 (en) * | 2019-06-25 | 2020-12-31 | Adobe Inc. | System for identifying typed graphlets |
CN110659395A (zh) * | 2019-08-14 | 2020-01-07 | 平安科技(深圳)有限公司 | 关系网络图谱构建方法、装置、计算机设备和存储介质 |
CN111814966A (zh) * | 2020-08-24 | 2020-10-23 | 国网浙江省电力有限公司 | 神经网络架构搜索方法、神经网络应用方法、设备及存储介质 |
CN112381208A (zh) * | 2020-11-13 | 2021-02-19 | 中国科学院计算技术研究所 | 一种深度渐进且逐步寻优的神经网络架构搜索方法与系统 |
Non-Patent Citations (4)
Title |
---|
GOEL, ARUSHI等: "An End-to-End Network for Generating Social Relationship Graphs", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR 2019)》, pages 11178 - 11187 * |
ZHENCHAO SUN等: "Disease Prediction via Graph Neural Networks", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》, pages 818 * |
吴帮莹: "基于多源异构数据融合的社交网络链路数据预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 139 - 95 * |
白晶心: "基于分段卷积神经网络的关系抽取方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 912 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI804386B (zh) * | 2021-11-04 | 2023-06-01 | 美商萬國商業機器公司 | 用於計算系統中資料之合規風險管理 |
CN116192650A (zh) * | 2023-02-21 | 2023-05-30 | 湖南大学 | 一种基于子图特征的链路预测方法 |
CN116192650B (zh) * | 2023-02-21 | 2024-04-30 | 湖南大学 | 一种基于子图特征的链路预测方法 |
CN117592114A (zh) * | 2024-01-19 | 2024-02-23 | 中国电子科技集团公司第三十研究所 | 面向网络平行仿真的数据脱敏方法、系统和可读存储介质 |
CN117592114B (zh) * | 2024-01-19 | 2024-04-19 | 中国电子科技集团公司第三十研究所 | 面向网络平行仿真的数据脱敏方法、系统和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113297429B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113297429B (zh) | 一种基于神经网络架构搜索的社交网络链路预测方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN110837602A (zh) | 基于表示学习和多模态卷积神经网络的用户推荐方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN112381179B (zh) | 一种基于双层注意力机制的异质图分类方法 | |
CN113709779B (zh) | 一种蜂窝网络故障诊断方法 | |
CN109921936A (zh) | 基于memetic框架的多目标动态网络社区划分方法 | |
CN110674326A (zh) | 一种基于多项式分布学习的神经网络结构检索方法 | |
CN115329908A (zh) | 一种基于深度学习的电力变压器故障诊断方法 | |
CN113505239A (zh) | 一种结合图注意力和属性聚类的实体对齐方法 | |
CN114969367A (zh) | 基于多方面子任务交互的跨语言实体对齐方法 | |
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 | |
CN112860977A (zh) | 一种基于卷积神经网络的链路预测方法 | |
CN117196033A (zh) | 基于异构图神经网络的无线通信网络知识图谱表示学习方法 | |
CN116150401A (zh) | 基于带噪声数据集的强鲁棒性知识图谱三元组质检网络模型训练方法及质检方法 | |
CN116758349A (zh) | 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法 | |
CN115734274A (zh) | 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 | |
CN114611668A (zh) | 一种基于异质信息网络随机游走的向量表示学习方法及系统 | |
CN113610350B (zh) | 复杂工况故障诊断方法、设备、存储介质及装置 | |
CN115456093A (zh) | 一种基于注意力图神经网络的高性能图聚类方法 | |
CN115169501A (zh) | 基于公共邻居节点聚类熵紧密相似性的社区检测方法 | |
CN112347369B (zh) | 基于网络表征的集成学习动态社会网络链路预测方法 | |
CN114529096A (zh) | 基于三元闭包图嵌入的社交网络链路预测方法及系统 | |
CN114997360A (zh) | 神经架构搜索算法的演化参数优化方法、系统及存储介质 | |
CN114638342A (zh) | 基于深度无监督自动编码器的图异常检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |