CN113642704A - 图特征衍生方法、系统、存储介质及电子设备 - Google Patents
图特征衍生方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113642704A CN113642704A CN202110880735.8A CN202110880735A CN113642704A CN 113642704 A CN113642704 A CN 113642704A CN 202110880735 A CN202110880735 A CN 202110880735A CN 113642704 A CN113642704 A CN 113642704A
- Authority
- CN
- China
- Prior art keywords
- node
- graph
- subgraph
- features
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000009795 derivation Methods 0.000 title claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013450 outlier detection Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 101000911753 Homo sapiens Protein FAM107B Proteins 0.000 description 1
- 102100026983 Protein FAM107B Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种图特征衍生方法、系统、存储介质及电子设备,方法包括:生成步骤:根据一度或多度节点生成节点手工图特征、节点属性特征及节点嵌入特征;筛选步骤:根据应用场景,由业务专家和建模人员对所述节点手工图特征、所述节点属性特征及所述节点嵌入特征进行特征筛选;使用步骤:将所述节点手工图特征、所述节点属性特征及所述节点嵌入特征提供给下游任务使用。通过本发明获得的图特征可以灵活的根据下游任务进行选择使用能够详尽列举所有可能的手工图特征。
Description
技术领域
本发明属于图特征衍生领域,具体涉及一种图特征衍生方法、系统、存储介质及电子设备。
背景技术
如今世界是由连接(connections)驱动的,基于这些连接构成的图已应用金融、营销、工业等各个行业。如信用卡欺诈检测、广告反欺诈、预测级联故障等等。然而一个标准化的图特征衍生框架成为一个亟待解决的问题。
现有应用一般是图结构特征增强机器学习的方式提供给特定任务,或者完全使用图神经网络对节点信息进行预测或者分类。
现有技术特征衍生比较单一,往往只考虑了手工特征结合节点属性特征或者完全使用图嵌入特征,不能灵活适配下游所有任务。
发明内容
本发明实施例提供了一种图特征衍生方法,其中,包括:
数据准备步骤:使用NER对采集的样本地址信息进行识别后生成三元组数据;
生成步骤:根据一度或多度节点生成节点手工图特征、节点属性特征及节点嵌入特征;
筛选步骤:根据应用场景,由业务专家和建模人员对所述节点手工图特征、所述节点属性特征及所述节点嵌入特征进行特征筛选;
使用步骤:将所述节点手工图特征、所述节点属性特征及所述节点嵌入特征提供给下游任务使用。
上述图特征衍生方法,其中,所述生成步骤包括:
通过一度或多度节点数目、子图节点数、子图边数、子图最大弱联通的节点数、子图最大弱联通的边数、子图最大强联通的节点数、子图最大强联通的边数、子图平均聚类系数子图、三角个数及子图三角形百分率生成所述节点手工图特征。
上述图特征衍生方法,其中,所述生成步骤还包括:
根据所述一度或多度节点运用图神经网络的方法生成所述节点嵌入特征,所述节点嵌入特征包括:节点的属性信息和图结构信息。
上述图特征衍生方法,其中,所述使用步骤包括:
在有监督场景下,筛选后的特征可应用于分类任务及回归任务中;在无监督场景下,筛选后的特征可以应用于聚类任务及离群点检测任务中。
本发明还提供了一种图特征衍生系统,其中,包括:
生成模块,所述生成模块根据一度或多度节点生成节点手工图特征、节点属性特征及节点嵌入特征;
筛选模块,所述筛选模块根据应用场景,由业务专家和建模人员对所述节点手工图特征、所述节点属性特征及所述节点嵌入特征进行特征筛选;
使用模块,所述使用模块将所述节点手工图特征、所述节点属性特征及所述节点嵌入特征提供给下游任务使用。
上述图特征衍生系统,其中,所述生成模块包括:
通过一度或多度节点数目、子图节点数、子图边数、子图最大弱联通的节点数、子图最大弱联通的边数、子图最大强联通的节点数、子图最大强联通的边数、子图平均聚类系数子图、三角个数及子图三角形百分率生成所述节点手工图特征。
上述图特征衍生系统,其中,所述生成模块还包括:
根据所述一度或多度节点运用图神经网络的方法生成所述节点嵌入特征,所述节点嵌入特征包括:节点的属性信息和图结构信息。
上述图特征衍生系统,其中,所述使用模块包括:
在有监督场景下,筛选后的特征可应用于分类任务及回归任务中;在无监督场景下,筛选后的特征可以应用于聚类任务及离群点检测任务中。
一种计算机设备,包括存储器、处理器以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,其中,所述处理器执行所述计算机程序时实现如上述任一所述的图特征衍生方法。
一种存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述任一所述的图特征衍生方法。
本发明属于知识图谱技术中的图计算领域,本发明提供一种标准的图特征衍生框架;通过本发明获得的图特征可以灵活的根据下游任务进行选择使用;本发明详尽的列举了所有可能的手工图特征。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
在附图中:
图1是本发明的图特征衍生方法的总流程图;
图2是本发明的图特征衍生方法的流程图;
图3是本发明的图特征衍生系统的结构示意图;
图4是根据本发明实施例的计算机设备的框架图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
在详细阐述本发明各个实施例之前,对本发明的核心发明思想予以概述,并通过下述若干实施例予以详细阐述。
实施例一:
请参照图1,图1是本发明一种图特征衍生方法的技术路线。本发明的目的在于提供一个标准的图特征生成方案,生成的图特征提供给下游的任务,用于用户画像、欺诈检测、评分等等。
请参照图2,图2是图特征衍生方法的流程图。如图2所示,本发明图特征衍生方法包括:
生成步骤S1:根据一度或多度节点生成节点手工图特征、节点属性特征及节点嵌入特征;
筛选步骤S2:根据应用场景,由业务专家和建模人员对所述节点手工图特征、所述节点属性特征及所述节点嵌入特征进行特征筛选;
使用步骤S3:将所述节点手工图特征、所述节点属性特征及所述节点嵌入特征提供给下游任务使用。
其中,所述生成步骤包括:
通过一度或多度节点数目、子图节点数、子图边数、子图最大弱联通的节点数、子图最大弱联通的边数、子图最大强联通的节点数、子图最大强联通的边数、子图平均聚类系数子图、三角个数及子图三角形百分率生成所述节点手工图特征。
其中,所述生成步骤还包括:
根据所述一度或多度节点运用图神经网络的方法生成所述节点嵌入特征,所述节点嵌入特征包括:节点的属性信息和图结构信息。
其中,所述使用步骤包括:
在有监督场景下,筛选后的特征可应用于分类任务及回归任务中;在无监督场景下,筛选后的特征可以应用于聚类任务及离群点检测任务中。
具体地说,本发明揭示了一种图特征衍生方法,包括如下步骤:
步骤1:生成节点手工图特征,如下:
根据一度或多度节点数目、子图节点数、子图边数、子图最大弱联通的节点数、子图最大弱联通的边数、子图最大强联通的节点数、子图最大强联通的边数、子图平均聚类系数(局部聚类系数均值)、子图三角个数、子图三角形百分率(全局聚类系数)、子图直径、子图图密度、子图平均度、子图加权平均度、子图模块度、HITS值、PageRank值、特征向量中心性、度中心性、紧密中心性、中介性等等生成节点手工图特征;其中子图表示节点所在的联通图。
步骤2:生成节点属性特征,我们以信用卡欺诈检测进行简单举例,如用户的性别、年龄、学历、收入、各项资产余额等等。如果场景需要,一度节点或者多度节点相关属性的统计信息同样可以作为特征,如一度节点触黑数目、一度节点的平均收入等等
步骤3:生成节点的嵌入特征,这里主要运用图神经网络的方法生成对节点的向量表示,特征中包含的节点的属性信息和图结构信息。
步骤4:步骤1-3的生成特征提供给下游的任务使用。如果是模型解释性比较强的应用场景,可以考虑不使用图嵌入特征。根据应用场景,由业务专家和建模人员进行特征筛选。
步骤5:有监督场景下,特征可应用于分类、回归任务。无监督场景下,特征可以应用于聚类、离群点检测等等。
总上可知,本发明通过一度或多度节点数目、子图节点数、子图边数、子图最大弱联通的节点数、子图最大弱联通的边数、子图最大强联通的节点数、子图最大强联通的边数、子图平均聚类系数子图、三角个数及子图三角形百分率生成所述节点手工图特征;根据场景需要,生成节点属性特征;根据所述一度或多度节点运用图神经网络的方法生成所述节点嵌入特征。生成的特征提供给下游的任务使用,根据应用场景,由业务专家和建模人员对需要使用的进行特征筛选,在有监督场景下,特征可应用于分类、回归任务;在无监督场景下,特征可以应用于聚类、离群点检测等等。
进一步,图像特征主要有图像的颜色特征、纹理特征、形状特征和空间关系特征。
颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。
纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。
形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征。图像的轮廓特征主要针对物体的外边界,而图像的区域特征则关系到整个形状区域。
所谓空间关系,是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类:相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况,如上下左右关系等,后一种关系强调的是目标之间的距离大小以及方位。
实施例二:
请参照图3,图3是本发明的图特征衍生系统的结构示意图。如图3所示本发明的一种图特征衍生系统,其中,包括:
生成模块11,所述生成模块根据一度或多度节点生成节点手工图特征、节点属性特征及节点嵌入特征;
筛选模块12,所述筛选模块根据应用场景,由业务专家和建模人员对所述节点手工图特征、所述节点属性特征及所述节点嵌入特征进行特征筛选;
使用模块13,所述使用模块将所述节点手工图特征、所述节点属性特征及所述节点嵌入特征提供给下游任务使用。
其中,所述生成模块11包括:
通过一度或多度节点数目、子图节点数、子图边数、子图最大弱联通的节点数、子图最大弱联通的边数、子图最大强联通的节点数、子图最大强联通的边数、子图平均聚类系数子图、三角个数及子图三角形百分率生成所述节点手工图特征。
其中,所述生成模块11还包括:
根据所述一度或多度节点运用图神经网络的方法生成所述节点嵌入特征,所述节点嵌入特征包括:节点的属性信息和图结构信息。
其中,所述使用模块13包括:
在有监督场景下,筛选后的特征可应用于分类任务及回归任务中;在无监督场景下,筛选后的特征可以应用于聚类任务及离群点检测任务中。
实施例三:
结合图4所示,本实施例揭示了一种计算机设备的一种具体实施方式。计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例中的任意一种图特征衍生方法。
在其中一些实施例中,计算机设备还可包括通信接口83和总线80。其中,如图4所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备可以基于图特征衍生,从而实现结合图1描述的方法。
另外,结合上述实施例中图特征衍生方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种图特征衍生方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
综上所述,基于本发明的有益效果在于,本发明提供一种标准的图特征衍生框架;通过本发明获得的图特征可以灵活的根据下游任务进行选择使用;本发明详尽的列举了所有可能的手工图特征。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图特征衍生方法,其特征在于,包括:
生成步骤:根据一度或多度节点生成节点手工图特征、节点属性特征及节点嵌入特征;
筛选步骤:根据应用场景,由业务专家和建模人员对所述节点手工图特征、所述节点属性特征及所述节点嵌入特征进行特征筛选;
使用步骤:将所述节点手工图特征、所述节点属性特征及所述节点嵌入特征提供给下游任务使用。
2.如权利要求1所述图特征衍生方法,其特征在于,所述生成步骤包括:
通过一度或多度节点数目、子图节点数、子图边数、子图最大弱联通的节点数、子图最大弱联通的边数、子图最大强联通的节点数、子图最大强联通的边数、子图平均聚类系数子图、三角个数及子图三角形百分率生成所述节点手工图特征。
3.如权利要求1所述图特征衍生方法,其特征在于,所述生成步骤还包括:
根据所述一度或多度节点运用图神经网络的方法生成所述节点嵌入特征,所述节点嵌入特征包括:节点的属性信息和图结构信息。
4.如权利要求1所述的图特征衍生方法,其特征在于,所述使用步骤包括:
在有监督场景下,筛选后的特征可应用于分类任务及回归任务中;在无监督场景下,筛选后的特征可以应用于聚类任务及离群点检测任务中。
5.一种图特征衍生系统,其特征在于,包括:
生成模块,所述生成模块根据一度或多度节点生成节点手工图特征、节点属性特征及节点嵌入特征;
筛选模块,所述筛选模块根据应用场景,由业务专家和建模人员对所述节点手工图特征、所述节点属性特征及所述节点嵌入特征进行特征筛选;
使用模块,所述使用模块将所述节点手工图特征、所述节点属性特征及所述节点嵌入特征提供给下游任务使用。
6.如权利要求5所述图特征衍生系统,其特征在于,所述生成模块包括:
通过一度或多度节点数目、子图节点数、子图边数、子图最大弱联通的节点数、子图最大弱联通的边数、子图最大强联通的节点数、子图最大强联通的边数、子图平均聚类系数子图、三角个数及子图三角形百分率生成所述节点手工图特征。
7.如权利要求5所述图特征衍生系统,其特征在于,所述生成模块还包括:
根据所述一度或多度节点运用图神经网络的方法生成所述节点嵌入特征,所述节点嵌入特征包括:节点的属性信息和图结构信息。
8.如权利要求5所述的图特征衍生系统,其特征在于,所述使用模块包括:
在有监督场景下,筛选后的特征可应用于分类任务及回归任务中;在无监督场景下,筛选后的特征可以应用于聚类任务及离群点检测任务中。
9.一种计算机设备,包括存储器、处理器以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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的图特征衍生方法。
10.一种存储介质,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如权利要求1至4中任一项所述的图特征衍生方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880735.8A CN113642704A (zh) | 2021-08-02 | 2021-08-02 | 图特征衍生方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880735.8A CN113642704A (zh) | 2021-08-02 | 2021-08-02 | 图特征衍生方法、系统、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642704A true CN113642704A (zh) | 2021-11-12 |
Family
ID=78419306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110880735.8A Pending CN113642704A (zh) | 2021-08-02 | 2021-08-02 | 图特征衍生方法、系统、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642704A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222681A (zh) * | 2019-11-05 | 2020-06-02 | 量子数聚(北京)科技有限公司 | 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质 |
CN111340187A (zh) * | 2020-02-18 | 2020-06-26 | 河北工业大学 | 基于对抗注意力机制的网络表征方法 |
CN111581442A (zh) * | 2020-04-15 | 2020-08-25 | 上海明略人工智能(集团)有限公司 | 一种实现图嵌入的方法、装置、计算机存储介质及终端 |
CN111626832A (zh) * | 2020-06-05 | 2020-09-04 | 中国银行股份有限公司 | 产品推荐方法、装置及计算机设备 |
CN112288495A (zh) * | 2020-11-09 | 2021-01-29 | 北京理工大学 | 结合网络拓扑和商业属性的ict供应链关键节点识别方法 |
US20210067527A1 (en) * | 2019-08-28 | 2021-03-04 | Nec Laboratories America, Inc. | Structural graph neural networks for suspicious event detection |
CN112559737A (zh) * | 2020-11-20 | 2021-03-26 | 和美(深圳)信息技术股份有限公司 | 知识图谱的节点分类方法及系统 |
-
2021
- 2021-08-02 CN CN202110880735.8A patent/CN113642704A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210067527A1 (en) * | 2019-08-28 | 2021-03-04 | Nec Laboratories America, Inc. | Structural graph neural networks for suspicious event detection |
CN111222681A (zh) * | 2019-11-05 | 2020-06-02 | 量子数聚(北京)科技有限公司 | 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质 |
CN111340187A (zh) * | 2020-02-18 | 2020-06-26 | 河北工业大学 | 基于对抗注意力机制的网络表征方法 |
CN111581442A (zh) * | 2020-04-15 | 2020-08-25 | 上海明略人工智能(集团)有限公司 | 一种实现图嵌入的方法、装置、计算机存储介质及终端 |
CN111626832A (zh) * | 2020-06-05 | 2020-09-04 | 中国银行股份有限公司 | 产品推荐方法、装置及计算机设备 |
CN112288495A (zh) * | 2020-11-09 | 2021-01-29 | 北京理工大学 | 结合网络拓扑和商业属性的ict供应链关键节点识别方法 |
CN112559737A (zh) * | 2020-11-20 | 2021-03-26 | 和美(深圳)信息技术股份有限公司 | 知识图谱的节点分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
陈子雄: "基于网络表示学习的异常用户检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 05, pages 3 - 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI818999B (zh) | 針對新場景的預測模型訓練方法及裝置 | |
CN114970673B (zh) | 一种半监督模型训练方法、系统及相关设备 | |
CN114140683A (zh) | 一种航拍图像目标检测的方法、设备与介质 | |
CN111968625A (zh) | 融合文本信息的敏感音频识别模型训练方法及识别方法 | |
Gorokhovatskyi et al. | Explanation of CNN image classifiers with hiding parts | |
CN113010778A (zh) | 一种基于用户历史兴趣的知识图谱推荐方法和系统 | |
CN108764374B (zh) | 图像分类方法、系统、介质和电子设备 | |
CN115035347A (zh) | 图片识别方法、装置及电子设备 | |
CN112037174A (zh) | 染色体异常检测方法、装置、设备及计算机可读存储介质 | |
CN113642704A (zh) | 图特征衍生方法、系统、存储介质及电子设备 | |
CN111738290A (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN111340139A (zh) | 一种图像内容复杂度的判别方法及装置 | |
CN117197857A (zh) | 人脸伪造攻击检测、人脸识别方法、装置和设备 | |
CN110544166A (zh) | 样本生成方法、装置及存储介质 | |
CN112561569B (zh) | 基于双模型的到店预测方法、系统、电子设备及存储介质 | |
CN112328844B (zh) | 一种处理多类型数据的方法及系统 | |
CN115879442A (zh) | 动态计算关键词权重的方法和系统 | |
CN113364702A (zh) | 广告流量异常检测方法、系统、存储介质及电子设备 | |
CN111400764A (zh) | 个人信息保护的风控模型训练方法、风险识别方法及硬件 | |
CN115953248B (zh) | 基于沙普利可加性解释的风控方法、装置、设备及介质 | |
CN113435339B (zh) | 车辆属性检测方法、设备及存储介质 | |
CN113011989B (zh) | 对象核验方法、装置、设备及存储介质 | |
CN115187579B (zh) | 一种图像类别判定方法、装置及电子设备 | |
CN116225884A (zh) | 场景案例库的生成方法、装置和设备 | |
CN116824287A (zh) | 图像分类模型的训练方法、图像处理方法及装置 |
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 |