CN115906946A - 一种多视图双曲-双曲图表示学习方法 - Google Patents
一种多视图双曲-双曲图表示学习方法 Download PDFInfo
- Publication number
- CN115906946A CN115906946A CN202211602476.3A CN202211602476A CN115906946A CN 115906946 A CN115906946 A CN 115906946A CN 202211602476 A CN202211602476 A CN 202211602476A CN 115906946 A CN115906946 A CN 115906946A
- Authority
- CN
- China
- Prior art keywords
- hyperbolic
- node
- view
- graph
- representation
- 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 37
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000011176 pooling Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 241000282326 Felis catus Species 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000000547 structure data Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006916 protein interaction Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000000007 visual 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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
本发明属于深度学习、图神经网络领域的应用,具体涉及一种多视图双曲‑双曲图表示学习方法。所述模型首先基于节点的拓扑关系和节点属性构建两个视图,将邻接矩阵和生成的两个视图输入双曲‑双曲图神经网络,得到三个视图下的节点表示;将三个视图的节点表示输入双曲‑双曲池化层得到不同视图的图嵌入表示,将图嵌入表示拼接输入Lorentz MLP得到视图的注意力分数,利用双曲‑双曲的加权表示得到基于多视图的节点嵌入表示应用于下游任务。本发明将现有的双曲图神经网络结构和多视图进行了结合,通过将图结构数据嵌入到双曲空间,利用多视图间的一致性信息,得到了更准确的节点表示,实现了对下游任务的提升。
Description
技术领域
本发明属于深度学习、图神经网络领域的应用,具体涉及一种多视图双曲-双曲图表示学习方法。
背景技术
图神经网络是一类利用深度学习处理图数据的方法,广泛应用于自然语言处理、推荐系统、生物医疗等众多领域。现有研究图神经网络的工作已经取得了较好的成果,但大多数工作仅利用单一视图信息学习图信息。对于给定的下游任务,底层图的拓扑事先是未知的,仅使用单视图对节点之间的关系进行描述不可避免地导致一定程度的信息丢失,如何利用多视图信息来学习节点的有效表示成了待研究的问题。
现有多视图图表示学习的研究局限于欧氏空间。已有双曲图神经网络过度依赖切空间进行邻域聚合操作。然而,切空间只是双曲空间点的局部近似,并不严格遵循双曲几何的数学意义,因此不能很好地保持双曲空间中图结构和性质。许多现实世界的图,如蛋白质相互作用网络和社交网络,往往表现出无标度或层次结构。在欧氏空间嵌入此类图时导致很大程度的失真,难以表达网络的层级信息。相比之下,双曲几何对于捕获这种层级结构具有天然的优势。因此提出在多视图结构下构建图卷积神经网络。
发明内容
鉴于上述问题,本发明提出一种多视图双曲-双曲图表示学习方法,解决了一般欧氏空间导致的高失真问题,同时学习多个视图信息。本发明主要目的是利用多视图结构充分探索不同视图下的图信息,学习更准确的节点表示;利用双曲结构的特性,使用双曲-双曲的图神经网络将图的基本运算完全建立在双曲空间上,以低失真的形式进行信息的传递,以得到更好的节点表示用于节点分类和链接预测任务。
本发明采用如下技术方案予以实施:
一种多视图双曲-双曲图表示学习方法,包括:
步骤一:从图拓扑结构和节点特征构建多视图:
利用图拓扑结构构建视图,具体为:
利用图邻接矩阵和personal pagerank算法的极限闭式解构造全局拓扑矩阵SPPR:
公式中D为图的图矩阵,A为图的邻接矩阵,α为参数,In为n阶单位阵。
利用图节点特征基于余弦相似度构建视图,具体为:
利用节点特征矩阵X计算节点i和节点j的相似度si,j,其中大于阈值θ的在视图为节点i和节点j构建连边:
公式中xi和xj分别为节点i和节点j的特征向量
步骤二:利用多视图结构和节点特征通过双曲-双曲图卷积模块得到不同视图下的双曲节点表示:
将节点特征从欧氏空间通过指数映射映射到双曲Lorentz模型上:
将节点特征输入双曲-双曲线性变换层,使用正交子矩阵作为线性变换的可学习参数,实现节点特征从双曲到双曲的映射,同时提取节点特征:
在所述构造的三个视图下利用不同结构信息对节点邻居进行线性聚合,利用双曲空间Klein模型下定义的Einstein中点法对Klein模型下的节点嵌入表示计算双曲平均,首先将Lorentz模型下的双曲节点嵌入投影到Klein模型,具体公式如下:
将所述邻居聚合后的双曲嵌入投影到Poincare模型,利用Poincare模型下的保流形激活对节点嵌入表示进行激活后投影回Lorentz模型,所述公式如下:
步骤三:通过双曲-双曲注意力融合模块将三个视图下的双曲节点嵌入映射为统一的双曲节点嵌入;
通过如下公式对每个视图的双曲节点嵌入进行池化操作,得到每个视图的双曲图嵌入:
通过如下公式将上一步的每个视图的双曲图嵌入拼接起来用于计算每个视图的注意力分数:
将拼接表示通过指数映射重新映射回双曲空间,利用MLP层得到每个视图表示的注意力权重,所述MLP包括两层线性层和激活层,最后经过一层softmax得到注意力权重,公式如下:
s=softmax(σ(f2(σ(f1(expo(p))))))
公式中s表示经过Lorentz MLP层得到的注意力分数向量,f1、f2表示两个线性层。
嵌入融合层利用上述视图注意力层得到的视图重要性分数对每个视图的双曲节点嵌入进行加权求和得到统一的双曲节点嵌入,所述融合层公式如下:
本发明与现有方法相比的有益效果为:
本发明提出的方法是一个多视图双曲-双曲图卷积神经网络模型。本发明利用多视图学习,使节点表示更加准确,解决了单视图网络与目标邻接矩阵的信息差异导致的表示能力限制的问题。同时通过利用双曲几何的几何特点,在满足图操作全部在双曲空间进行的条件下,实现了对节点的低失真嵌入,解决了现有双曲模型操作依赖于切空间导致的偏差问题。本发明对于下游任务的应用也十分广泛,适用于多种网络结构和场景,可以用于社区网络、引文网络、推荐网络等的链接预测任务,也可以用于蛋白质结构图、分子图等的节点分类和图分类任务,从而进行数据分析和信息挖掘,对于图机器学习和实际业务具有重要意义。
附图说明
图1为多视图双曲-双曲图表示学习方法流程图;
图2为一种多视图双曲-双曲图表示学习方法架构图。
具体实施方式
下面将结合附图对本发明的一种多视图双曲-双曲图表示学习方法进一步详细描述:
如图1所示,本发明提出的方法是一个多视图双曲-双曲图卷积神经网络模型,多视图构造模块,双曲-双曲图卷积模块,双曲-双曲注意力融合模块
多视图双曲-双曲图卷积神经网络模型具体包含以下步骤:
多视图的构造模块(步骤102):图数据会包含图中的拓扑信息和节点特征信息,而相对于网络底层的理想结构可能存在一定偏差,而通过多个不同视角的拓扑结构可以自然地降低这种偏差,学习到更准确的节点表示。因此我们在邻接矩阵的基础上分别基于拓扑结构和节点特征构建视图。对于拓扑结构,采用基于邻接矩阵扩散的方法构造其扩散矩阵,反映网络的全局结构;对于节点特征,采用余弦相似度的方法在其特征相似性上衡量两节点的连边概率,基于一定的阈值为两节点构建连边。
节点特征映射模块(步骤103):对于具有无标度性质的图结构数据,欧氏空间的表达能力十分有限,在嵌入此类图时会产生很高的失真,而双曲几何空间中表达能力随半径指数级增长,十分适用于此类网络的嵌入。因此采用双曲图卷积网络对图数据进行建模。根据双曲几何的性质,利用指数映射将节点特征映射到双曲空间上,我们使用双曲模型中的Lorentz模型:
双曲-双曲图卷积模块(步骤104):现有双曲图操作往往在切空间处进行,而切空间只是双曲空间的局部近似,为了使图信息在神经网络传播过程中的偏差尽量小,将节点表示始终嵌入在双曲模型上,定义了双曲-双曲图卷积模块。该模块主要分为三个部分:
了具有正交性的子矩阵作为线性变换矩阵:
2)双曲邻居聚合层:在每个视图下对节点的邻居信息进行聚合,我们使用了双曲空间中Klein模型下的Einstein中点法作为我们聚合邻居信息的方法,这里首先将线性变换后的Lorentz模型下的双曲节点嵌入利用模型间的恒等映射映射到Klein模型,计算Einstein中点作为聚合后的双曲节点嵌入,然
后利用恒等映射映射回Klein模型,具体计算方式如下:
3)双曲激活层:常用的非线性激活函数应用于Lorentz模型会打破流形的约束,而Poincare模型上的非线性激活函数是保流形的,我们使用
Poincare模型上的非线性激活。将邻居聚合后的Lorentz模型下的节点嵌入利用恒等映射映射到Poincare模型,应用非线性激活,再恒等映射回
Lorentz模型,具体计算方式如下:
双曲注意力融合模块:三个视图和节点特征经过多层双曲-双曲图卷积层,分别得到了不同视图下的双曲节点嵌入,为了更好地融合不同视图下的一致性信息,我们定义了双曲注意力融合模块。该模块主要分为个部分:
1)将每个视图的双曲节点嵌入输入双曲-双曲池化层得到每个视图的双曲
2)使用如下公式将每个视图的双曲图嵌入拼接起来:
3)将拼接表示利用指数映射重新映射回双曲空间并输入到Lorentz MLP模块(步骤106),该MLP模块包括两层线性层和sigmoid激活层,最后一层神经元的数量必须与视图的数量相匹配,最后加入softmax层得到所述视图注意力分数,具体公式为:
s=softmax(σ(f2(σ(f1(expo(p))))))
其中s表示经过Lorentz MLP层得到的注意力分数向量,f1、f2表示两个线性层和激活层。
4)利用上述多个视图的注意力分数可以得到融合后的双曲节点嵌入表示(步骤107),将不同视图下得到的信息通过注意力分数实现融合,嵌入融合层与图池化思路一致,其公式为:
Claims (10)
1.一种多视图双曲-双曲图表示学习方法,其特征在于,所述方法包括:
根据网络拓扑和特征构造两个视图,将所述节点特征从欧氏空间映射到双曲空间,将所述双曲节点嵌入表示和三个视图分别输入双曲-双曲图卷积模块;其中,所述双曲-双曲图卷积模块包括:线性变换、邻居聚合和激活层;
将所述三个视图下的双曲节点嵌入表示通过双曲注意力融合模块将三个视图下的双曲节点嵌入映射为统一的双曲节点嵌入,用于下游任务;
其中,所述双曲注意力融合模块包括:视图注意力层和嵌入融合层。
2.根据权利要求1所述的一种多视图双曲-双曲图表示学习方法,其特征在于,所述多视图分别从拓扑结构和特征信息两个角度进行构造,包括:
根据图拓扑结构,利用personal pagerank方法的闭式解构造视图,所述公式为:
其中D为图的度矩阵,A为图的邻接矩阵,α为参数,In为n阶单位阵;
根据节点特征,利用余弦相似度计算节点间的相似性,大于阈值delta的两节点间构建边,所述公式为:
其中xi和xj分别为节点i和节点j的特征向量。
3.根据权利要求1所述的一种多视图双曲-双曲图表示学习方法,其特征在于,在所述将多视图及节点特征输入双曲-双曲卷积层前需要将节点特征从欧氏空间映射到双曲空间,包括:
利用指数映射将节点特征映射到Lorentz模型上,其中所述公式为:
其中为节点欧氏特征,为节点的双曲特征。
4.根据权利要求1所述的一种多视图双曲-双曲图表示学习方法,其特征在于,所述双曲-双曲图卷积模块对节点邻居信息进行聚合,包括:双曲-双曲线性变换层,邻居聚合层和激活层;
通过所述双曲-双曲线性变换层,使双曲节点嵌入在经过线性变换后仍保持在双曲空间;
通过所述双曲邻居聚合层,将节点邻居信息聚合到中心节点上;
通过所述双曲激活层,将聚合后的双曲节点嵌入作非线性映射,提升网络表达能力。
5.根据权利要求1所述的一种多视图双曲-双曲图表示学习方法,其特征在于,所述双曲注意力融合模块,包括:视图注意力层和嵌入融合层;
所述视图注意力层,通过将每个视图的双曲节点嵌入输入池化层得到每个视图的双曲图嵌入,将所述每个视图的双曲图嵌入拼接起来,通过指数映射映射到双曲空间后输入MLP层,得到每个视图的注意力分数;
通过所述嵌入融合层,利用上述每个视图的注意力分数将三个视图的双曲节点嵌入加权融合为统一的双曲节点表示。
6.根据权利要求4所述的一种多视图双曲-双曲图表示学习方法,其特征在于,所述双曲-双曲线性变换层,包括:
所述双曲-双曲线性变换层,对双曲节点嵌入进行特征提取,为保证提取后的节点嵌入仍在双曲上需满足Lorentz模型的定义: 由此得到所述双曲-双曲线性变换层公式为:
其中W是一个可学习的变换矩阵,是一个正交子矩阵,I是一个单位阵,是节点i在l层的双曲表示。
7.根据权利要求4所述的一种多视图双曲-双曲图表示学习方法,其特征在于,所述双曲邻居聚合层,包括:
针对线性变换后的双曲节点嵌入,利用双曲空间下定义的Einstein中点法计算双曲平均,首先将Lorentz模型下的双曲节点嵌入投影到Klein模型,利用Einstein中点法计算双曲平均后投影回Lorentz模型,所述公式如下:
其中为klein模型,和为Lorentz模型和Klein模型间的恒等变换,为邻居聚合后Lorentz模型下节点i的双曲嵌入。
8.根据权利要求4所述的一种多视图双曲-双曲图表示学习方法,其特征在于,所述双曲激活层,包括:
将所述双曲邻居聚合后的双曲嵌入投影到Poincare模型,将Poincare模型下的保流形激活后的节点嵌入投影回Lorentz模型,所述公式如下:
其中和为Lorentz模型和Poincare模型间的恒等变换,σ为激活函数Relu。
9.根据权利要求5所述的一种多视图双曲-双曲图表示学习方法,其特征在于,所述视图注意力层,包括:
将所述多个视图的节点嵌入表示经过双曲-双曲池化层得到每个视图的双曲图嵌入表示,所述池化层公式为:
其中为第k个视图的图嵌入表示,为节点重要性分数,di为节点i的度数,为节点i的第k个视图的节点表示。
将所述双曲图嵌入表示拼接,所述拼接公式为:
其中cat表示拼接操作,v表示视图编号,表示视图v下的双曲图表示。
将所述拼接表示利用指数映射重新映射回双曲空间并经过Lorentz MLP层得到视图的注意力分数,所述公式为:
s=softmax(σ(f2(σ(f1(expo(p))))))
其中s表示经过MLP层得到的注意力分数向量,f1、f2表示两个线性层和激活层。
10.根据权利要求5所述的一种多视图双曲-双曲图表示学习方法,其特征在于,所述嵌入融合层:
将所述多视图的双曲节点嵌入表示利用视图注意力分数进行加权求和,得到融合后的双曲节点嵌入表示,所述嵌入融合层公式为:
其中sk为视图k的注意力分数,视图k的双曲节点嵌入表示,为注意力加权后的双曲节点嵌入表示。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211602476.3A CN115906946B (zh) | 2022-12-11 | 2022-12-11 | 一种多视图双曲-双曲图表示学习方法 |
US18/534,295 US20240193419A1 (en) | 2022-12-11 | 2023-12-08 | Multi-view hyperbolic-hyperbolic graph representation learning method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211602476.3A CN115906946B (zh) | 2022-12-11 | 2022-12-11 | 一种多视图双曲-双曲图表示学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115906946A true CN115906946A (zh) | 2023-04-04 |
CN115906946B CN115906946B (zh) | 2024-04-12 |
Family
ID=86487994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211602476.3A Active CN115906946B (zh) | 2022-12-11 | 2022-12-11 | 一种多视图双曲-双曲图表示学习方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240193419A1 (zh) |
CN (1) | CN115906946B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784913A (zh) * | 2021-01-29 | 2021-05-11 | 湖南大学 | 一种基于图神经网络融合多视图信息的miRNA-疾病关联预测方法及装置 |
CN113627463A (zh) * | 2021-06-24 | 2021-11-09 | 浙江师范大学 | 基于多视图对比学习的引文网络图表示学习系统及方法 |
US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
CN114417063A (zh) * | 2021-06-16 | 2022-04-29 | 南京大学 | 一种基于多视图的图神经网络的重要节点识别方法 |
CN114757271A (zh) * | 2022-04-06 | 2022-07-15 | 扬州大学 | 基于多通道图卷积网络的社交网络节点分类方法与系统 |
CN114840775A (zh) * | 2022-05-16 | 2022-08-02 | 天津大学 | 一种融合多空间特征的网络对齐模型及其应用 |
US20220253671A1 (en) * | 2021-02-05 | 2022-08-11 | Twitter, Inc. | Graph neural diffusion |
CN115098697A (zh) * | 2022-06-21 | 2022-09-23 | 建信金融科技有限责任公司 | 结果事件的确定方法、装置、设备 |
CN115186197A (zh) * | 2022-08-19 | 2022-10-14 | 中国科学技术大学 | 一种基于端到端双曲空间的用户推荐方法 |
-
2022
- 2022-12-11 CN CN202211602476.3A patent/CN115906946B/zh active Active
-
2023
- 2023-12-08 US US18/534,295 patent/US20240193419A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
CN112784913A (zh) * | 2021-01-29 | 2021-05-11 | 湖南大学 | 一种基于图神经网络融合多视图信息的miRNA-疾病关联预测方法及装置 |
US20220253671A1 (en) * | 2021-02-05 | 2022-08-11 | Twitter, Inc. | Graph neural diffusion |
CN114417063A (zh) * | 2021-06-16 | 2022-04-29 | 南京大学 | 一种基于多视图的图神经网络的重要节点识别方法 |
CN113627463A (zh) * | 2021-06-24 | 2021-11-09 | 浙江师范大学 | 基于多视图对比学习的引文网络图表示学习系统及方法 |
CN114757271A (zh) * | 2022-04-06 | 2022-07-15 | 扬州大学 | 基于多通道图卷积网络的社交网络节点分类方法与系统 |
CN114840775A (zh) * | 2022-05-16 | 2022-08-02 | 天津大学 | 一种融合多空间特征的网络对齐模型及其应用 |
CN115098697A (zh) * | 2022-06-21 | 2022-09-23 | 建信金融科技有限责任公司 | 结果事件的确定方法、装置、设备 |
CN115186197A (zh) * | 2022-08-19 | 2022-10-14 | 中国科学技术大学 | 一种基于端到端双曲空间的用户推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
US20240193419A1 (en) | 2024-06-13 |
CN115906946B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Point clouds learning with attention-based graph convolution networks | |
CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
CN112925989B (zh) | 一种属性网络的群体发现方法及系统 | |
CN109389151B (zh) | 一种基于半监督嵌入表示模型的知识图谱处理方法和装置 | |
CN110347932B (zh) | 一种基于深度学习的跨网络用户对齐方法 | |
CN108920678A (zh) | 一种基于谱聚类与模糊集的重叠社区发现方法 | |
CN112581515B (zh) | 基于图神经网络的户外场景点云配准方法 | |
CN112200266B (zh) | 基于图结构数据的网络训练方法、装置以及节点分类方法 | |
Cai et al. | A robust interclass and intraclass loss function for deep learning based tongue segmentation | |
CN111488498A (zh) | 基于图神经网络的“节点-图”跨层图匹配方法及系统 | |
Gopinath et al. | Adaptive graph convolution pooling for brain surface analysis | |
CN111612046B (zh) | 特征金字塔图卷积神经网络及其在3d点云分类中的应用 | |
CN110136017A (zh) | 一种基于数据增强和非负矩阵稀疏分解的群组发现方法 | |
CN112801138A (zh) | 基于人体拓扑结构对齐的多人姿态估计方法 | |
CN117036760A (zh) | 一种基于图对比学习的多视图聚类模型实现方法 | |
CN111309923A (zh) | 对象向量确定、模型训练方法、装置、设备和存储介质 | |
Liang et al. | Feature-preserved convolutional neural network for 3D mesh recognition | |
Ge et al. | Point2MM: Learning medial mesh from point clouds | |
Li et al. | Multi-view convolutional vision transformer for 3D object recognition | |
CN114202035A (zh) | 一种多特征融合的大规模网络社区检测算法 | |
CN114119690A (zh) | 一种基于神经网络重建高斯混合模型的点云配准方法 | |
Song et al. | HDR-Net-Fusion: Real-time 3D dynamic scene reconstruction with a hierarchical deep reinforcement network | |
Hu et al. | IMMAT: Mesh reconstruction from single view images by medial axis transform prediction | |
Maimaitimin et al. | Stacked convolutional auto-encoders for surface recognition based on 3d point cloud data | |
Cao et al. | WireframeNet: A novel method for wireframe generation from point cloud |
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 |