CN113962748A - 基于元路径的全貌信息表示异质电商平台用户对齐方法 - Google Patents
基于元路径的全貌信息表示异质电商平台用户对齐方法 Download PDFInfo
- Publication number
- CN113962748A CN113962748A CN202111297307.9A CN202111297307A CN113962748A CN 113962748 A CN113962748 A CN 113962748A CN 202111297307 A CN202111297307 A CN 202111297307A CN 113962748 A CN113962748 A CN 113962748A
- Authority
- CN
- China
- Prior art keywords
- user
- meta
- node
- information
- path
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于网络对齐领域,具体涉及一种基于元路径的全貌信息表示异质电商平台用户对齐方法,该方法包括:获取用户的属性数据和交互数据,对用户的属性数据和交互数据进行聚合预处理;提取聚合预处理后的用户数据;将提取的用户数据输入到基于元路径的全貌信息表示异质电商平台用户对齐模型中,对用户进行对齐处理;本发明从用户属性信息、用户商品交互信息、用户兴趣关注度三方面出发,其中发明重点部分是采用元路径对异质平台稀疏数据进行聚合,获取更有效的实验数据以及采用注意力机制对学习到的用户属性关系向量和用户交互关系向量进行权重分配,从而进行高效的对齐任务。
Description
技术领域
本发明属于网络对齐领域,具体涉及一种基于元路径的全貌信息表示异质电商平台用户对齐方法。
背景技术
随着移动智能终端的普及和互联网技术的快速发展,大部分人会在不同的平台创建属于自己的账户,然而由于平台间的互斥性,很难判断在不同平台的两个账户是否是同一个用户在使用。针对如何识别匹配跨平台的用户,即异构网络用户对齐,早期研究者主要提出的是基于用户属性信息的实体对齐方法,这类方法通过用户填写的公开资料信息,包括昵称、生日、住址、性别、资料照片等,衡量账户间的相似性并进行识别匹配。但随着个人安全意识的提高,以及平台隐私保护措施的不断完善,大部分用户的真实身份信息不会在平台公开,所以这种方法并不准确。而后提出了基于用户结构关系的实体对齐方法。这类方法利用用户与其他节点之间的关系结构,通过比较其邻居节点的相似性进行对齐。
在跨平台实体对齐领域中,研究者们针对用户属性、用户行为和用户关系结构等方面开展了广泛地研究,并且取得了不少的研究成果,但仍存在一些问题:
1、异构平台网络数据节点结构关系稀疏的问题。不同电商平台网络数据节点类型众多,产生的数据量十分可观,但有效的用户数据却比较稀疏,这给获取用户节点关键有用信息进行用户身份鉴别带来了困难。
2、异质平台数据节点关系多样性。电商平台拥有用户属性信息复杂性、用户-商品关系多样性等特点,且平台数据特征结构关系复杂,用户的一些行为、关系将不会同时出现,如何整合不同的节点信息,更好的对于用户信息特征空间进行全貌表示成为了一个问题。
3、针对不同关系如何集成的问题。对于单一的个人属性信息或结构关系的分析存在片面性,并且在实际系统中,交互信息非常丰富,集成这类信息对用户身份进行鉴别也存在一定难度。
发明内容
为解决以上现有技术存在的问题,本发明提出了一种基于元路径的全貌信息表示异质电商平台用户对齐方法,该方法包括:
S1、提取第一平台用户的基本属性数据和历史交互数据;
S2、采用基于元路径的实体-关系聚合模型,将用户的基本属性数据和历史交互数据进行聚合,得到聚合后的用户数据;
S3、采用USRE表示模型对聚合后的用户数据进行表示处理,得到用户节点用户属性信息的嵌入向量和用户交互信息的嵌入向量;
S4、对齐模型URSTA对用户属性信息的嵌入向量和用户交互信息的嵌入向量进行用户匹配,利用跨网络用户表示之间的相似度来确定对应关系,选择另一平台中相似度最高的用户进行对齐。
进一步的,利用跨网络用户表示之间的相似度来确定对应关系,第一平台的用户选择第二平台中相似度最高的用户进行对齐,相似度表示为:
其中,θXY AB为用户属性信息的嵌入向量和用户交互信息的嵌入向量的统一表示,UX A为网络X中的用户A,UY B为网络Y中的用户B,n表示元路径实例的总数量,Xi为不同元路径实例的向量表示。
进一步的,θXY AB为用户属性信息的嵌入向量和用户交互信息的嵌入向量的统一表示,其计算公式为:
其中,表示所有元路径的归一化重要性权重,UserA为网络X中的用户节点A,UserB为网络Y中的用户节点B,f(UserA,UserB)是根据用户属性信息得到的用户节点A和用户节点B在向量空间中的距离,g(UserA,UserB)是根据用户交互信息得到的用户节点A和用户节点B在向量空间中的距离。
计算不同元路径实例的所有邻居节点的注意系数;
通过softmax函数归一化所有邻居节点的注意系数;
进一步的,f(UserA,UserB)是根据用户属性信息得到的节点关系组<UA,RUA,Vi>、<UB,RUB,Vi>计算的距离,计算公式为:f(UserA,UserB)=ωAB|UA-UB|2;g(UserA,UserB)是根据用户交互信息得到的节点关系组<UA,RAI,Vi>、<UB,RBI,Vi>计算的距离,计算公式为:g(UserA,UserB)=WAB||UA+Ri-UB||2;
其中,UA、UB和Vi分别是用户节点A的嵌入向量、用户节点B的嵌入向量和链接节点i的嵌入向量,链接节点i为用户节点A和用户节点B共有的连接节点,Ri为UA、UB和Vi之间的连接关系,RUA为用户节点A的属性信息,RUB为用户节点B的属性信息,RAI为用户节点A的交互信息,RBI为用户节点A的交互信息,ωAB表示用户节点A和用户节点B在属性关系下的权重,WAB表示表示用户节点A和用户节点B在交互关系下的权重。
进一步的,将用户的基本属性数据和历史交互数据进行聚合的过程包括:
S21、将元路径作为用户和商品交互的上下文,学习用户、商品及两者交互上下文的表示,聚合所有用户的关系信息;
S22、将当前用户的基本属性数据和历史交互数据输入到基于元路径的实体-关系聚合模型中;
S23、利用用户兴趣关注度,对聚合模型中输出的数据进行处理,将处理后的数据作为聚合后的用户数据。
进一步的,用户的基本属性数据在元路径间聚合的方法为:
历史交互数据在元路径间聚合的方法为:
其中,ui表示用户,r表示路径,n表示元路径实例的总数量,U(ui)Attention表示用户兴趣关注度,P表示用户数据的元路径实例,<ui,rj>表示用户ui在当前元路径实例rj下的关系上下文。
进一步的,结合用户结构关系,用户结构关系包括用户属性信息和用户交互信息,采用USRE表示模型对聚合后的用户数据进行表示处理的过程包括:
S31、采用USRE表示模型对第一平台网络用户结构关系进行全貌信息表示;
S32、根据用户结构关系的全貌信息表示,获取用户属性信息节点集合和在不同元路径实例下的用户属性信息节点集合;
S33、根据用户结构关系的全貌信息表示,获取用户交互信息节点集合和在不同元路径实例下的用户交互信息节点集合;
S34、综合步骤S32和步骤S33所得的四个集合,获得当前用户节点的用户属性信息的嵌入向量和用户交互信息的嵌入向量。
本发明的有益效果:
本发明在特征关系学习过程中,采用基于元路径的实体-关系聚合模型,通过不同元路径,获取节点信息关系,且聚合丰富的邻居节点信息,解决了用户结构关系数据稀疏的问题。
针对不同结构关系的特点,本发明提出了用户属性关系UARE和用户交互关系UIRE的结构关系表示模型,不仅能够区分异质信息网络中不同关系结构特征空间的表示,又能充分利用用户全貌特征信息。
本发明引入注意力机制,提出用户关系序列对齐模型URSTA,对用户属性关系和用户交互关系进行集成学习,对用户关系特征采用权重参数分配机制,更好地捕捉重要影响信息。
本发明从异质电商平台用户属性数据和用户交互数据出发,提出一种基于元路径的全貌信息表示异质电商平台用户对齐预测模型。该方法从三个方面考虑,用户属性信息、用户商品交互信息、用户兴趣关注度三个方面出发。其中发明重点部分是采用元路径对异质平台稀疏数据进行聚合,获取更有效的实验数据以及采用注意力机制对学习到的用户属性关系向量和用户交互关系向量进行权重分配,从而进行高效的对齐任务。
附图说明
图1为本发明的整体框图;
图2为本发明用户关系数据聚合示例;
图3为本发明用户关系注意力权重分配示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于元路径的全貌信息表示异质电商平台用户对齐方法,如图1所示,该方法包括:
获取用户的属性数据和交互数据,对用户的属性数据和交互数据进行聚合预处理;
提取聚合预处理后用户数据的相关属性关系和交互关系;
将提取的用户数据的相关属性关系和交互关系输入到基于元路径的全貌信息表示异质电商平台用户对齐模型中,对用户进行对齐处理。
在另一实施例中,该方法包括:
S1、提取书城电商平台用户的基本属性数据和历史交互数据;
S2、采用基于元路径的实体-关系聚合模型,将用户的基本属性数据和历史交互数据进行聚合,得到聚合后的用户数据;
S3、采用USRE表示模型对聚合后的用户数据进行表示处理,得到用户节点用户属性信息的嵌入向量和用户交互信息的嵌入向量;
S4、采用对齐模型URSTA对包括用户属性信息的嵌入向量和包括用户交互信息的嵌入向量进行用户匹配,选择另一平台中相似度最高的用户进行对齐。
在步骤S2对稀疏的用户行数据进行数据聚合的过程为:
将元路径作为用户和商品交互的上下文,学习用户、商品及两者交互上下文的表示,聚合所有用户的关系信息;
将当前用户的基本属性数据和历史交互数据输入到基于元路径的实体-关系聚合模型中;
利用用户兴趣关注度,对聚合模型中输出的数据进行处理,将处理后的数据作为聚合后的用户数据。
用户的基本属性数据在元路径间聚合的方法,即采用聚合模型对用户的基本属性数据进行预处理,表示为:
历史交互数据在元路径间聚合的方法,即采用聚合模型对用户的历史交互数据进行预处理,表示为:
其中,ui表示用户,r表示路径,n表示元路径实例的总数量,U(ui)Attention表示用户兴趣关注度,P表示用户数据的元路径实例,<ui,rj>表示用户在当前元路径实例下的不同关系上下文。
为了区别不同属性关系的不同,在步骤S3采用USRE表示模型对聚合后的数据进行表示的过程包括:
S31、将书城电商网络表示为Gx=(Vx,Fx,Ex),采用USRE表示模型对书城电商网络用户结构关系进行全貌信息表示;
其中,x表示平台,V为节点集合,F为链接关系,E为边;
S32、根据用户结构关系的全貌信息表示,获取用户属性信息节点集合和在不同元路径实例下的用户属性信息节点集合;
S33、根据用户结构关系的全貌信息表示,获取用户交互信息节点集合和在不同元路径实例下的用户交互信息节点集合;
S34、综合步骤S32和步骤S33所得的四个集合,获得当前用户节点的包括用户属性信息的嵌入向量和包括用户交互信息的嵌入向量。
USRE表示模型对聚合后的数据进行表示的过程中,其用户的结构关系包括所有用户属性信息和所有用户交互信息。
对于用户属性关系,通过用户属性连接的节点是用户本身就具有的信息,因此在向量空间中节点之间很接近,符合欧几里德距离的优化。对于属性特征,首先需要将多项用户属性信息进行向量化处理,将其成为计算用户属性信息相似度的关键。提取用户的基本属性数据后,对其进行处理,即将用户属性信息的向量投影到相同的潜在因子空间,对每种类型的节点应用特定类型的线性变换,表示为:
其中,Xv是用户属性信息的向量,Zv是新的潜在特征向量,θY是Y型节点的参数权重矩阵。
在对齐模型URSTA中,引入多头注意力机制进行用户的用户属性信息和用户交互信息的权重分配,旨在区分一个用户的不同属性特征在对齐任务中的不同重要性,不同的元路径实例将在不同程度上贡献用户节点的表示,包括:
其中,P表示不同元路径实例,ReLU为第一激活函数,为超参数,hp(u,v)为元路径,σ为第二激活函数,表示用户节点u当前路径实例的重要性程度,表示用户节点u当前元路径下,其所有元路径实例的权重总和,表示用户节点在属性关系下的所有元路径的归一化重要性权重,即是用户节点u所有元路径的权重结合。
通过利用多头注意机制提高了注意层的表示能力,其中多个注意单元对输入的不同低维投影进行操作,本文即为每一条元路径。
为了区分用户属性关系EARE和用户交互关系EIRE在对齐中的不同权重,设置了一个多参数向量用于权重的学习。学习每个元路径实例的标准化重要性权重,然后对所有实例进行加权求和来进行建模。其公式如下:
其中,表示用户节点在属性关系下的所有元路径的归一化重要性权重,表示用户节点在交互关系下的所有元路径的归一化重要性权重,θXY AB为用户属性信息的嵌入向量和用户交互信息的嵌入向量的统一表示,UX A为网络X中的用户A,UY B为网络Y中的用户B,n表示元路径实例的总数量,Xi为不同元路径实例的向量表示,UserA为网络X中的用户节点A,UserB为网络Y中的用户节点B,f(UserA,UserB)是根据用户属性信息得到的用户节点A和用户节点B在向量空间中的距离,g(UserA,UserB)是根据用户交互信息得到的用户节点A和用户节点B在向量空间中的距离。
优选地,f(UserA,UserB)是根据用户属性信息得到的节点关系组<UA,RUA,Vi>、<UB,RUB,Vi>计算的距离,计算公式为:f(UserA,UserB)=ωAB|UA-UB|2;
g(UserA,UserB)是根据用户交互信息得到的节点关系组<UA,RAI,Vi>、<UB,RBI,Vi>计算的距离,计算公式为:g(UserA,UserB)=WAB||UA+Ri-UB||2;
其中,UA、UB和Vi分别是用户节点A的嵌入向量、用户节点B的嵌入向量和链接节点i的嵌入向量,链接节点i为用户节点A和用户节点B共有的连接节点,Ri为UA、UB和Vi之间的连接关系,RUA为用户节点A的属性信息,RUB为用户节点B的属性信息,RAI为用户节点A的交互信息,RBI为用户节点A的交互信息,ωAB表示用户节点A和用户节点B在属性关系下的权重,WAB表示表示用户节点A和用户节点B在交互关系下的权重。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于元路径的全貌信息表示异质电商平台用户对齐方法,其特征在于,该方法包括以下步骤:
S1、提取第一平台用户的基本属性数据和历史交互数据;
S2、采用基于元路径的实体-关系聚合模型,将用户的基本属性数据和历史交互数据进行聚合,得到聚合后的用户数据;
S3、采用USRE表示模型对聚合后的用户数据进行表示处理,得到用户节点用户属性信息的嵌入向量和用户交互信息的嵌入向量;
S4、对齐模型URSTA对用户属性信息的嵌入向量和用户交互信息的嵌入向量进行用户匹配,利用跨网络用户表示之间的相似度来确定对应关系,选择另一平台中相似度最高的用户进行对齐。
5.根据权利要求3所述的基于元路径的全貌信息表示异质电商平台用户对齐方法,其特征在于,
f(UserA,UserB)是根据用户属性信息得到的节点关系组<UA,RUA,Vi>、<UB,RUB,Vi>计算的距离,计算公式为:f(UserA,UserB)=ωAB|UA-UB|2;
g(UserA,UserB)是根据用户交互信息得到的节点关系组<UA,RAI,Vi>、<UB,RBI,Vi>计算的距离,计算公式为:g(UserA,UserB)=WAB||UA+Ri-UB||2;
其中,UA、UB和Vi分别是用户节点A的嵌入向量、用户节点B的嵌入向量和链接节点i的嵌入向量,链接节点i为用户节点A和用户节点B共有的连接节点,Ri为UA、UB和Vi之间的连接关系,RUA为用户节点A的属性信息,RUB为用户节点B的属性信息,RAI为用户节点A的交互信息,RBI为用户节点A的交互信息,ωAB表示用户节点A和用户节点B在属性关系下的权重,WAB表示表示用户节点A和用户节点B在交互关系下的权重。
6.根据权利要求1所述的基于元路径的全貌信息表示异质电商平台用户对齐方法,其特征在于,将用户的基本属性数据和历史交互数据进行聚合的过程包括:
S21、将元路径作为用户和商品交互的上下文,学习用户、商品及两者交互上下文的表示,聚合所有用户的关系信息;
S22、将当前用户的基本属性数据和历史交互数据输入到基于元路径的实体-关系聚合模型中;
S23、利用用户兴趣关注度,对聚合模型中输出的数据进行处理,将处理后的数据作为聚合后的用户数据。
8.根据权利要求1所述的基于元路径的全貌信息表示异质电商平台用户对齐方法,其特征在于,结合用户结构关系,用户结构关系包括用户属性信息和用户交互信息,采用USRE表示模型对聚合后的用户数据进行表示处理的过程包括:
S31、采用USRE表示模型对第一平台网络用户结构关系进行全貌信息表示;
S32、根据用户结构关系的全貌信息表示,获取用户属性信息节点集合和在不同元路径实例下的用户属性信息节点集合;
S33、根据用户结构关系的全貌信息表示,获取用户交互信息节点集合和在不同元路径实例下的用户交互信息节点集合;
S34、综合步骤S32和步骤S33所得的四个集合,获得当前用户节点的用户属性信息的嵌入向量和用户交互信息的嵌入向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111297307.9A CN113962748A (zh) | 2021-11-04 | 2021-11-04 | 基于元路径的全貌信息表示异质电商平台用户对齐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111297307.9A CN113962748A (zh) | 2021-11-04 | 2021-11-04 | 基于元路径的全貌信息表示异质电商平台用户对齐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962748A true CN113962748A (zh) | 2022-01-21 |
Family
ID=79469142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111297307.9A Pending CN113962748A (zh) | 2021-11-04 | 2021-11-04 | 基于元路径的全貌信息表示异质电商平台用户对齐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962748A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925217A (zh) * | 2022-05-24 | 2022-08-19 | 中国电子科技集团公司第十研究所 | 一种基于关系属性加权的高价值路径发现方法 |
-
2021
- 2021-11-04 CN CN202111297307.9A patent/CN113962748A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925217A (zh) * | 2022-05-24 | 2022-08-19 | 中国电子科技集团公司第十研究所 | 一种基于关系属性加权的高价值路径发现方法 |
CN114925217B (zh) * | 2022-05-24 | 2023-05-02 | 中国电子科技集团公司第十研究所 | 一种基于关系属性加权的高价值路径发现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159425A (zh) | 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 | |
CN112036445B (zh) | 基于神经张量网络的跨社交网络用户身份识别方法 | |
Racz et al. | Correlated stochastic block models: Exact graph matching with applications to recovering communities | |
CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
CN112381179A (zh) | 一种基于双层注意力机制的异质图分类方法 | |
CN113868474A (zh) | 一种基于自注意力机制和动态图的信息级联预测方法 | |
CN114817663A (zh) | 一种基于类别感知图神经网络的服务建模与推荐方法 | |
CN112417063A (zh) | 一种基于异构关系网络的相容功能项推荐方法 | |
CN116257662A (zh) | 基于k近邻图神经网络的异质图社区发现方法 | |
CN115687760A (zh) | 一种基于图神经网络的用户学习兴趣标签预测方法 | |
CN113868537B (zh) | 一种基于多行为会话图融合的推荐方法 | |
CN115203550A (zh) | 一种增强邻居关系的社交推荐方法及系统 | |
CN117520995B (zh) | 一种网络信息平台中异常用户检测方法及系统 | |
CN113962748A (zh) | 基于元路径的全貌信息表示异质电商平台用户对齐方法 | |
Liu et al. | A network intrusion detection method based on CNN and CBAM | |
CN116662532A (zh) | 一种基于图神经网络的神经时间门自适应融合会话推荐方法 | |
CN116467415A (zh) | 基于GCNsformer混合网络和多通道语义的双向跨域会话推荐方法 | |
CN113159976B (zh) | 一种微博网络重要用户的识别方法 | |
CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
CN114254738A (zh) | 双层演化的动态图卷积神经网络模型构建方法及应用 | |
CN114896977A (zh) | 一种物联网实体服务信任值的动态评估方法 | |
CN114462707A (zh) | 一种基于特征深度融合的Web服务多维QoS联合预测方法 | |
CN113297500A (zh) | 一种社交网络孤立节点链接预测方法 | |
Huang et al. | Social network coalescence based on multilayer network model | |
CN116485501B (zh) | 一种基于图嵌入与注意力机制的图神经网络会话推荐方法 |
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 |