CN113705075B - 一种基于图神经网络的社交关系分析方法 - Google Patents
一种基于图神经网络的社交关系分析方法 Download PDFInfo
- Publication number
- CN113705075B CN113705075B CN202110766497.8A CN202110766497A CN113705075B CN 113705075 B CN113705075 B CN 113705075B CN 202110766497 A CN202110766497 A CN 202110766497A CN 113705075 B CN113705075 B CN 113705075B
- Authority
- CN
- China
- Prior art keywords
- neural network
- graph neural
- social
- propagation
- network model
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 15
- 238000013508 migration Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003094 perturbing effect Effects 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于图神经网络的社交关系分析方法,利用图神经网络对社交关系网络进行评估,通过对社交网络的关系的连接强度进行判定,从而得出社交网络之间的传播关系的可能性;利用马尔可夫随机过程对突发事件进行模拟,本发明可以获得在所构建的社交网络上的不同类型的事件传播基本信息以及主要传播路径;通过大量模拟事件的传播路径以及关键节点,可以通过聚类算法总结出同类型事件的特征以及某一类事件的传播路径以及关键节点;利用所构建出的事件传播的关键路径,可以对后续的社交分析提供处理策略。
Description
技术领域
本发明属于计算机技术领域,特别涉及一种基于图神经网络的社交关系分析方法。
技术背景
在线社交网络有着迅捷性、蔓延性、平等性与自组织性等四大特点。正因为这些特性,其在互联网出现的短短数十年内已经拥有数十亿用户并对现实社会的方方面面产生着影响。而且这种线上影响线下的趋势越来越明显。除了社交网络给社会和经济带来许多正面影响之外,也带来了不少负面影响。这些有害信息借助社交网络的特点迅速传播并且往往产生不可控的后果。
在社交网络中,如何分析用户之间的关系是核心问题之一,用户之间关系的分析决定了基于这种关系设定的算法以及功能的效果。现行的一些用户关系分析大多数还是基于图的基本算法进行分析,这种方式不仅工作量大,而且难以进行迁移、调整,并且很难针对一些长序列的传播关系进行建模。此外针对用户之间的关系,传统的算法很难对用户之间传播关系的强弱进行建模,利用图的基本算法进行统计很容易在真实应用中失效。
基于这些算法的一些缺点,急需要一种能够分析复杂传播关系,并且容易进行迁移的社交网络关系分析方法。
发明内容
为克服上述现有技术的不足,本发明的目的在于提供一种基于图神经网络的社交关系分析方法,具有能在大型复杂社交网络中预测出事件传播路径以及关键节点的功能。
为实现上述目的,本发明提供了如下技术方案:
一种基于图神经网络的社交关系分析方法,通过图神经网络对社交关系网络的连接强度进行评估,根据不同用户节点之间的连接强度,利用马尔可夫随机过程进行事件爆发模拟,最终聚类总结出不同类型事件的传播路径与关键节点,其特征在于,包括以下步骤:
步骤S1,进行在公开数据集上预训练图神经网络模型,让图神经网络模型能对不同类型、不同连接方式的大规模社交网络进行合理预测,接着利用预训练好的图神经网络模型对构建好的特定社交关系网络进行建模、拟合、测试,分别利用中心一致性、度中心性、介数对微调完成的图神经网络模型进行评估,最后得到一个满足中心一致性、度中心性、介数要求的图神经网络;
步骤S2,使用马尔可夫随机过程放置某社交网络发生过的一系列随机的突发事件,利用步骤S1中构建好的图神经网络模型对模拟的突发事件进行预测,利用不同用户之间关系的强弱预测节点关系的传播路径,通过与真实传播过程进行对比,进一步对图神经网络模型进行微调,直到产生可以满足要求的图神经网络模型为止;
步骤S3,使用梯度提升随机扰动的方式,对步骤S2中的突发事件的特征向量进行随机扰动,并且使用马尔可夫过程将扰动后的新数据送入步骤S2中产生的图神经网络模型中,获取到扰动后事件的传播关系以及关键节点,通过对传入事件特征进行聚类以及对图神经网络模型预测出传播关系的分析,利用这些扰动后事件与突发事件之间的传播关系来获取未来时刻突发事件的关键节点,为分析这些社交网络提供有意义的参考。
所述步骤S1又包括以下步骤:
步骤S11,在公开数据集上预训练图神经网络模型,预训练阶段分为两个阶段,第一阶段选择不同类型的公开数据集,并不局限于社交网络数据集;第二阶段只在社交网络的公开数据集上进行预训练,通过本步骤获得预训练完成的图神经网络模型;
步骤S12,在构建好的社交网络的数据结构上分别计算所有节点的中心一致性、度中心性、介数;
步骤S13,在构建好的社交网络数据结构上对预训练完成的图神经网络模型进行微调,通过步骤S12计算的节点的中心一致性、度中心性、介数对图神经网络的微调加以限制,使步骤S11得到的图神经网络模型可以使用到大规模社交网络上。
所述步骤S12中,中心一致性其中dij代表节点i到节点j的度数, |V|代表节点的总个数。
所述步骤S12中,度中心性CD=∑i≠jXij,其中X代表社交网络的邻接矩阵,Xij代表邻接矩阵中节点i与节点j的连接强度。
所述步骤S12中,介数其中V,代表所有节点的集合σst(v) 代表节点s到节点t的最短路径中经过节点v的数量,σst代表节点s到节点t的最短路径的个数。
所述步骤S2又包括以下步骤:
步骤S21,选择社交网络的历史发生事件并进行数据增强后作为发生集合Dh,然后使用马尔可夫随机过程将发生集合Dh的所有事件随机投放到社交网络上;
步骤S22,使用步骤S13中得到的图神经网络模型对步骤S21中随机投放的事件进行预测,分别预测事件的传播路径与传播到下一节点的概率;
步骤S23,使用发生集合Dh中对应事件的真实传播路径对步骤S22中产生的传播路径进行对比,通过使用随机梯度下降优化预测的损失,完成图神经网络模型在传播路径上的任务迁移并产生迁移模型。
所述步骤S21中,数据增强选择将传播关系进行截断、同类归并、随即剪切。
所述步骤S3又包括以下步骤:
步骤S31,使用梯度提升对步骤S21产生的发生集合Dh进行扰动,通过对抗学习的方式产生大量的新的对抗样本,汇总对抗样本得到对抗集合Da;
步骤S32,使用与步骤S21同样的投放策略,将步骤S31得到的对抗集合Da投放到社交网络上,并使用步骤S23中产生的迁移模型对传播序列进行预测,得到传播路径以及关键节点;
步骤S33,对步骤S32的对抗集合Da进行预测得到的传播路径以及关键节点进行聚类,获得同类的事件的共同传播路径以及共同关键节点。
所述步骤S31中,梯度提升产生对抗样本时使用服从标准正态分布的噪声初始化。
所述的步骤S11中,公开数据集包括节点分类、分子关系、运动姿势。
本发明的有益效果是:
本发明提供的一种基于图神经网络的社交关系分析方法,针对在社交网络中突发事件的传播关系链较长难以建模的问题,通过利用图神经网络在常数距离考虑节点之间关系的特点,并结合马尔可夫随机过程设计了一种利用图神经网络对社交关系进行分析的方法。大规模社交网络是指节点个数超过100000的社交网络。
本发明通过对突发事件数据集进行随机投放,并利用图神经网络进行训练、迁移,可以比较准确的预测突发事件的传播关系。利用梯度提升构造大量对抗样本并使用对抗集合进行预测,可以获得大量事件及其对应的传播关系。通过使用聚类对大量的事件进行归类,可以总结出具有相同特点的事件的传播规律,为未来可能发生的事件提供一定的指导方案。
附图说明
图1为本发明的模型获取流程示意图。
图2为本发明的工作流程示意图。
具体实施方式
下面结合附图对本发明的作进一步的详细说明,但是本发明不局限于以下实施例。
实施例1
如图1所示的本发明的模型获取流程示意图,本发明中用来预测的图神经网络模型主要通过三个阶段的训练得到。首先是在大规模的关系数据集上进行图神经网络模型的预训练,使图神经网络模型能够对节点关系产生一定的预测能力。第二个阶段是只在社交网络数据集上进行训练,使上个阶段产生的图神经网络模型能够对社交关系分析更加细化。第三个阶段是将第二个阶段产生的模型在特定的社交网络上进行迁移,使模型能够针对特定网络进行预测。
如图2所示的本发明的工作流程示意图,在构建传播关系后产生图神经网络模型以及构建特定网络上事件的发生集合,接下来针对发生集合结合图神经网络模型构造对抗样本获取增强集合,紧接着获取模型在增强集合上的预测结果,最后使用聚类归纳同类型数据的传播规律。
参照图1、图2,一种基于图神经网络的社交关系分析方法,通过图神经网络对社交关系网络的连接强度进行评估,根据不同用户节点之间的连接强度,利用马尔可夫随机过程进行事件爆发模拟,最终聚类总结出不同类型事件的传播路径与关键节点,其特征在于,包括以下步骤:
步骤S1,进行在公开数据集上预训练图神经网络模型,让图神经网络模型能对不同类型、不同连接方式的大规模(节点个数超过100000)社交网络进行合理预测。接着利用预训练好的图神经网络模型对构建好的特定社交关系网络进行建模、拟合、测试,分别利用中心一致性、度中心性、介数对微调完成的图神经网络模型进行评估,最后得到一个满足中心一致性、度中心性、介数要求的图神经网络;
步骤S2,使用马尔可夫随机过程放置某社交网络发生过的一系列随机的突发事件,利用步骤S1中构建好的图神经网络模型对模拟的突发事件进行预测,利用不同用户之间关系的强弱预测节点关系的传播路径,通过与真实传播过程进行对比,进一步对图神经网络模型进行微调,直到产生可以满足要求的图神经网络模型为止;
步骤S3,使用梯度提升随机扰动的方式,对S2步骤中的突发事件的特征向量进行随机扰动,并且使用马尔可夫过程将扰动后的新数据送入步骤S2中产生的图神经网络模型中,获取到扰动后事件的传播关系以及关键节点,通过对传入事件特征进行聚类以及对图神经网络模型预测出传播关系的分析,利用这些扰动后事件与突发事件之间的传播关系来获取未来时刻突发事件的关键节点,为分析这些社交网络提供有意义的参考。
所述步骤S1又包括以下步骤:
步骤S11,在公开数据集上预训练图神经网络模型,预训练阶段分为两个阶段,第一阶段选择不同类型的公开数据集,例如节点分类、分子关系、运动姿势等,并不局限于社交网络数据集;第二阶段只在社交网络的公开数据集上进行预训练,通过本步骤获得预训练完成的图神经网络模型;
步骤S12,在构建好的社交网络的数据结构上分别计算所有节点的中心一致性、度中心性、介数;
步骤S13,在构建好的社交网络数据结构上对预训练完成的图神经网络模型进行微调,通过步骤S12计算的节点的中心一致性、度中心性、介数对图神经网络的微调加以限制,使步骤S11得到的图神经网络模型可以使用到大规模社交网络上。
所述步骤S12中,中心一致性其中dij代表节点i到节点j的度数, |V|代表节点的总个数。
所述步骤S12中,度中心性CD=∑i≠jXij,其中X代表社交网络的邻接矩阵,Xij代表邻接矩阵中节点i与节点j的连接强度。
所述步骤S12中,介数其中V,代表所有节点的集合σst(v) 代表节点s到节点t的最短路径中经过节点v的数量,σst代表节点s到节点t的最短路径的个数。
所述步骤S2又包括以下步骤:
步骤S21,选择社交网络的历史发生事件并进行数据增强后作为发生集合Dh,然后使用马尔可夫随机过程将发生集合Dh的所有事件随机投放到社交网络上;
步骤S22,使用步骤S13中得到的图神经网络模型对步骤S21中随机投放的事件进行预测,分别预测事件的传播路径与传播到下一节点的概率;
步骤S23,使用发生集合Dh中对应事件的真实传播路径对步骤S22中产生的传播路径进行对比,通过使用随机梯度下降优化预测的损失,完成图神经网络模型在传播路径上的任务迁移并产生迁移模型。
所述步骤S21中,数据增强选择将传播关系进行截断、同类归并、随即剪切。
所述步骤S3又包括以下步骤:
步骤S31,使用梯度提升对步骤S21产生的发生集合Dh进行扰动,通过对抗学习的方式产生大量的新的对抗样本,汇总对抗样本得到对抗集合Da;
步骤S32,使用与步骤S21同样的投放策略,将步骤S31得到的对抗集合Da投放到社交网络上,并使用步骤S23中产生的迁移模型对传播序列进行预测,得到传播路径以及关键节点;
步骤S33,对步骤S32的对抗集合Da进行预测得到的传播路径以及关键节点进行聚类,获得同类的事件的共同传播路径以及共同关键节点。
所述步骤S31中,梯度提升产生对抗样本时使用服从标准正态分布的噪声。
Claims (8)
1.一种基于图神经网络的社交关系分析方法,通过图神经网络对社交关系网络的连接强度进行评估,根据不同用户节点之间的连接强度,利用马尔可夫随机过程进行事件爆发模拟,最终聚类总结出不同类型事件的传播路径与关键节点,其特征在于,包括以下步骤:
步骤S1,进行在公开数据集上预训练图神经网络模型,让图神经网络模型能对不同类型、不同连接方式的大规模社交网络进行合理预测,接着利用预训练好的图神经网络模型对构建好的特定社交关系网络进行建模、拟合、测试,分别利用中心一致性、度中心性、介数对微调完成的图神经网络模型进行评估,最后得到一个满足中心一致性、度中心性、介数要求的图神经网络;
所述步骤S1又包括以下步骤:
步骤S11,在公开数据集上预训练图神经网络模型,预训练阶段分为两个阶段,第一阶段选择不同类型的公开数据集;第二阶段只在社交网络的公开数据集上进行预训练,通过本步骤获得预训练完成的图神经网络模型;
步骤S12,在构建好的社交网络的数据结构上分别计算所有节点的中心一致性、度中心性、介数;
步骤S13,在构建好的社交网络数据结构上对预训练完成的图神经网络模型进行微调,通过步骤S12计算的节点的中心一致性、度中心性、介数对图神经网络的微调加以限制,使步骤S11得到的图神经网络模型可以使用到大规模社交网络上;
步骤S2,使用马尔可夫随机过程放置某社交网络发生过的一系列随机的突发事件,利用步骤S1中构建好的图神经网络模型对模拟的突发事件进行预测,利用不同用户之间关系的强弱预测节点关系的传播路径,通过与真实传播过程进行对比,进一步对图神经网络模型进行微调,直到产生可以满足要求的图神经网络模型为止;
所述步骤S2又包括以下步骤:
步骤S21,选择社交网络的历史发生事件并进行数据增强后作为发生集合Dh,然后使用马尔可夫随机过程将发生集合Dh的所有事件随机投放到社交网络上;
步骤S22,使用步骤S13中得到的图神经网络模型对步骤S21中随机投放的事件进行预测,分别预测事件的传播路径与传播到下一节点的概率;
步骤S23,使用发生集合Dh中对应事件的真实传播路径对步骤S22中产生的传播路径进行对比,通过使用随机梯度下降优化预测的损失,完成图神经网络模型在传播路径上的任务迁移并产生迁移模型;
步骤S3,使用梯度提升随机扰动的方式,对步骤S2中的突发事件的特征向量进行随机扰动,并且使用马尔可夫过程将扰动后的新数据送入步骤S2中产生的图神经网络模型中,获取到扰动后事件的传播关系以及关键节点,通过对传入事件特征进行聚类以及对图神经网络模型预测出传播关系的分析,利用这些扰动后事件与突发事件之间的传播关系来获取未来时刻突发事件的关键节点,为分析这些社交网络提供有意义的参考。
2.根据权利要求1所述的一种基于图神经网络的社交关系分析方法,其特征在于,所述步骤S12中,中心一致性其中dij代表节点i到节点j的度数,|V|代表节点的总个数。
3.根据权利要求1所述的一种基于图神经网络的社交关系分析方法,其特征在于,所述步骤S12中,度中心性CD=∑i≠jXij,其中X代表社交网络的邻接矩阵,Xij代表邻接矩阵中节点i节点j的连接强度。
4.根据权利要求1所述的一种基于图神经网络的社交关系分析方法,其特征在于,所述步骤S12中,介数其中V代表所有节点的集合,σst(v)代表节点s到节点t的最短路径中经过节点v的数量,σst代表节点s到节点t的最短路径的个数。
5.根据权利要求1所述的一种基于图神经网络的社交关系分析方法,其特征在于,所述步骤S21中,数据增强选择将传播关系进行截断、同类归并、随即剪切方式。
6.根据权利要求1所述的一种基于图神经网络的社交关系分析方法,其特征在于,所述步骤S3又包括以下步骤:
步骤S31,使用梯度提升对步骤S21产生的发生集合Dh进行扰动,通过对抗学习的方式产生大量的新的对抗样本,汇总对抗样本得到对抗集合Da;
步骤S32,使用与步骤S21同样的投放策略,将步骤S31得到的对抗集合Da投放到社交网络上,并使用步骤S23中产生的迁移模型对传播序列进行预测,得到传播路径以及关键节点;
步骤S33,对步骤S32的对抗集合Da进行预测得到的传播路径以及关键节点进行聚类,获得同类的事件的共同传播路径以及共同关键节点。
7.根据权利要求6所述的一种基于图神经网络的社交关系分析方法,其特征在于,所述步骤S31中,梯度提升产生对抗样本时使用服从标准正态分布的噪声初始化。
8.根据权利要求1所述的一种基于图神经网络的社交关系分析方法,其特征在于,所述的步骤S11中,公开数据集包括节点分类、分子关系、运动姿势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766497.8A CN113705075B (zh) | 2021-07-07 | 2021-07-07 | 一种基于图神经网络的社交关系分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766497.8A CN113705075B (zh) | 2021-07-07 | 2021-07-07 | 一种基于图神经网络的社交关系分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705075A CN113705075A (zh) | 2021-11-26 |
CN113705075B true CN113705075B (zh) | 2024-01-19 |
Family
ID=78648675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110766497.8A Active CN113705075B (zh) | 2021-07-07 | 2021-07-07 | 一种基于图神经网络的社交关系分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705075B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509551A (zh) * | 2018-03-19 | 2018-09-07 | 西北大学 | 一种基于Spark环境下的微博网络关键用户挖掘系统及方法 |
WO2021081741A1 (zh) * | 2019-10-29 | 2021-05-06 | 深圳大学 | 一种基于多关系社交网络的图像分类方法及系统 |
CN112765489A (zh) * | 2021-01-26 | 2021-05-07 | 南京航空航天大学 | 一种社交网络链路预测方法及系统 |
CN112784918A (zh) * | 2021-02-01 | 2021-05-11 | 中国科学院自动化研究所 | 基于无监督图表示学习的节点识别方法、系统、装置 |
CN112949281A (zh) * | 2021-01-28 | 2021-06-11 | 北京航空航天大学 | 一种图神经网络的增量社交事件检测方法 |
CN112990295A (zh) * | 2021-03-10 | 2021-06-18 | 中国互联网络信息中心 | 一种基于迁移学习和深度学习融合的半监督图表示学习方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7899761B2 (en) * | 2005-04-25 | 2011-03-01 | GM Global Technology Operations LLC | System and method for signal prediction |
-
2021
- 2021-07-07 CN CN202110766497.8A patent/CN113705075B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509551A (zh) * | 2018-03-19 | 2018-09-07 | 西北大学 | 一种基于Spark环境下的微博网络关键用户挖掘系统及方法 |
WO2021081741A1 (zh) * | 2019-10-29 | 2021-05-06 | 深圳大学 | 一种基于多关系社交网络的图像分类方法及系统 |
CN112765489A (zh) * | 2021-01-26 | 2021-05-07 | 南京航空航天大学 | 一种社交网络链路预测方法及系统 |
CN112949281A (zh) * | 2021-01-28 | 2021-06-11 | 北京航空航天大学 | 一种图神经网络的增量社交事件检测方法 |
CN112784918A (zh) * | 2021-02-01 | 2021-05-11 | 中国科学院自动化研究所 | 基于无监督图表示学习的节点识别方法、系统、装置 |
CN112990295A (zh) * | 2021-03-10 | 2021-06-18 | 中国互联网络信息中心 | 一种基于迁移学习和深度学习融合的半监督图表示学习方法及装置 |
Non-Patent Citations (4)
Title |
---|
基于图编码网络的社交网络节点分类方法;郝志峰;柯妍蓉;李烁;蔡瑞初;温雯;王丽娟;;计算机应用(01);全文 * |
基于复杂网络的在线社交网络特征与谣言抑制;田伯凯;岳跃振;;山东工业技术(23);全文 * |
基于社交网络的安全关系研究;李阳;王晓岩;王昆;沙瀛;;计算机研究与发展(S2);全文 * |
社交网络用户影响力的发展动态及知识图谱研究;邹文武;;情报科学(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705075A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Data quality of electricity consumption data in a smart grid environment | |
CN109492026B (zh) | 一种基于改进的主动学习技术的电信欺诈分类检测方法 | |
CN102708153B (zh) | 自适应在线社交网络热点话题发展趋势预测方法及系统 | |
CN109034194B (zh) | 基于特征分化的交易欺诈行为深度检测方法 | |
CN109918505B (zh) | 一种基于文本处理的网络安全事件可视化方法 | |
WO2021098384A1 (zh) | 一种数据异常检测方法及装置 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN101819585A (zh) | 一种论坛事件传播图的构建装置及构建方法 | |
CN114580706A (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN113420294A (zh) | 基于多尺度卷积神经网络的恶意代码检测方法 | |
CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
CN107402859A (zh) | 软件功能验证系统及其验证方法 | |
Chen | Data mining applications in e-government information security | |
CN114266455A (zh) | 一种基于知识图谱的可视化企业风险评估方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN110909230A (zh) | 一种网络热点分析方法及系统 | |
Gliwa et al. | Models of social groups in blogosphere based on information about comment addressees and sentiments | |
CN117591944A (zh) | 一种针对于大数据分析的学习预警方法及系统 | |
CN108564465A (zh) | 一种企业信用管理方法 | |
CN113705075B (zh) | 一种基于图神经网络的社交关系分析方法 | |
CN110705638A (zh) | 一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法 | |
CN114387005A (zh) | 一种基于图分类的套利团伙识别方法 | |
CN112069392A (zh) | 涉网犯罪防控方法、装置、计算机设备及存储介质 | |
Liu | Artificial Intelligence and Machine Learning based Financial Risk Network Assessment Model | |
Sun et al. | The use of neural network in defense audit nonlinear dynamic processing under the background of big data |
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 |