CN116091260A - 一种基于Hub-node节点的跨域实体身份关联方法及系统 - Google Patents

一种基于Hub-node节点的跨域实体身份关联方法及系统 Download PDF

Info

Publication number
CN116091260A
CN116091260A CN202310363456.3A CN202310363456A CN116091260A CN 116091260 A CN116091260 A CN 116091260A CN 202310363456 A CN202310363456 A CN 202310363456A CN 116091260 A CN116091260 A CN 116091260A
Authority
CN
China
Prior art keywords
node
nodes
network
module
cross
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
Application number
CN202310363456.3A
Other languages
English (en)
Other versions
CN116091260B (zh
Inventor
李香林
高明成
王睿恒
辛阳
朱洪亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Luliang University
Original Assignee
Beijing University of Posts and Telecommunications
Luliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications, Luliang University filed Critical Beijing University of Posts and Telecommunications
Priority to CN202310363456.3A priority Critical patent/CN116091260B/zh
Publication of CN116091260A publication Critical patent/CN116091260A/zh
Application granted granted Critical
Publication of CN116091260B publication Critical patent/CN116091260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于Hub‑node节点的跨域实体身份关联方法及系统，属于跨域实体身份关联技术领域；所要解决的技术问题为：提供一种基于Hub‑node节点的跨域实体身份关联方法及系统结构的改进；解决该技术问题采用的技术方案为：对网络节点进行表示学习，将网络节点分别用位置特征与重要程度特征两组向量进行表征，将节点位置特征与重要程度特征综合表示为节点支持度，计算网络实体身份关联的相似度，定义用户节点的相邻节点，计算相邻节点对用户节点的支持度，在社交网络中分别定义位置特征潜在空间、重要程度特征潜在空间；本发明应用于跨域实体身份关联。

Description

一种基于Hub-node节点的跨域实体身份关联方法及系统
技术领域
本发明提供一种基于Hub-node节点的跨域实体身份关联方法及系统，属于跨域实体身份关联技术领域。
背景技术
网络嵌入的目的是学习网络节点的低维表示，同时有效地保留网络拓扑结构、节点内容等边信息，当前研究方向主要针对的是跨域网络嵌入技术，在物联网服务智能推荐、异常网络行为分析、电商网络智能推荐、网络溯源、网络测绘等应用领域均有良好的应用前景。
在社交网络、电商网络中，网络结构信息是不同用户之间社会关系的网络化表示，如好友关系、亲友关系、同事关系、从属关系、追随关系等，相比于用户属性信息的获取更加容易；现有研究在网络表征学习结合身份关联上提出了很多方法，比如将两个社交网络组合成一个完整的网络，并将其映射到一个超图，并且利用多邻域关系来学习更多有用的潜在网络特征；将网络中的用户节点编码为向量表示，以捕获局部和全局网络结构，基于半监督的方法，这些结构可以用于深度训练不同网络域间的用户身份关联模型；在复杂网络中，Translation-based（或者映射、投影）技术在网络节点和边的表示方面具有很大的优势，能够将跨域网络用户信息和用户间多样性的交互关系嵌入低纬度向量空间，从而建立关系表示模型；基于网络结构信息，在已知部分锚链接的情况下，利用观测到的锚链训练身份关联预测映射函数，在两个社交网络之间能够找到更多隐藏的锚链接。
但目前的方法在锚用户确定、身份关联组合发现等方面缺少足够的节点间的关联度支撑条件，均忽略了网络中的中心节点即Hub-node节点的强定位性的特征，导致复杂网络中的用户实体身份关联预测的精确度不高。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于Hub-node节点的跨域实体身份关联方法及系统结构的改进。
为了解决上述技术问题，本发明采用的技术方案为：一种基于Hub-node节点的跨域实体身份关联方法，包括如下关联步骤：
步骤一：对网络节点进行表示学习，将网络节点分别用位置特征与重要程度特征两组向量进行表征，将节点位置特征与重要程度特征综合表示为节点支持度，计算网络实体身份关联的相似度：
步骤1.1：定义用户节点的相邻节点，则相邻节点对用户节点的支持度的计算公式为：
；
其中角标T表示向量转置操作；
步骤1.2：在社交网络G中分别定义潜在空间：位置特征潜在空间、重要程度特征潜在空间，其中U表示社交网络G中的节点数量，、分别表示潜在空间和的特征维度；
步骤1.3：给定社交网络G中用户节点，对用户节点的位置特征表示为、重要程度特征表示为；
给定用户节点的相邻节点，对相邻节点的位置特征表示为、重要程度特征表示为；
所述节点支持度通过对重要程度特征向量点积计算得到；
步骤1.4：对节点所有相邻节点的支持度进行归一化计算，用于支持后续的特征融合，归一化后的支持度表示为，计算公式为：
；
其中，表示节点的所有相邻节点集合，；
步骤1.5：结合节点的所有相邻节点位置特征的归一化支持度，计算聚合特征向量：
；
将跨域网络节点的重要程度特征和位置特征归一化表示为；
步骤二：基于Hub-node跨域网络节点，采用实体特征表示进行跨域网络实体的身份关联，判定相似度越高的节点属于同一网络实体的概率越大：
步骤2.1：计算身份关联相似度，对于来自两个不同社交网络中的用户，经一层感知机将两个重要程度特征转换为相同维度，分别定义权重矩阵和偏置向量，其中t表示输出向量的维度，将作为输入向量，经单层感知机后输出中间过程向量为：
；
步骤2.2：计算的身份关联相似度，计算公式为：
；
其中；
步骤2.3：由于结果的值大于0，采用tanh激活函数进行[0,1)归一化，值越大则节点间的身份关联相似度就越大。
一种基于Hub-node节点的跨域实体身份关联系统，包括获取模块、特征表示模块、身份关联分析模块；
所述获取模块包括：用于获得跨域社交网络中网络实体间社交关系的网络接口API模块；
所述特征表示模块包括：节点重要程度特征表示模块、节点位置特征表示模块、支持度归一化表示模块；
所述身份关联分析模块包括：用于将两个重要程度特征转换为相同维度的支持度维度转换模块、用于计算不同网络域中社交网络实体相似程度的节点相似度计算模块；
所述网络接口API模块依次连接节点重要程度特征表示模块、节点位置特征表示模块、支持度归一化表示模块、支持度维度转换模块后与节点相似度计算模块相连。
本发明相对于现有技术具备的有益效果为：本发明利用跨域社交网络度较大的节点即Hub-node在跨域网络中关联定位能力强的作用，将网络节点用重要程度特征和位置特征进行综合表示，采集在半监督的环境中比较跨域网络中各节点的相似度，并定义节点间的相似度越高则属于同一自然人的概率越大；本发明可以改进利用网络关系进行的网络实体间关联关系的工作，利用Hub-node关联定位强的特点，提供一种网络节点表示方法和训练方式，提升了跨域网络实体关联分析的准确率，能够将其推广应用于物联网人与物关系的发现、网络异常行为分析、网络资源测绘等领域。
附图说明
下面结合附图对本发明做进一步说明：
图1是本发明进行跨域实体身份关联方法的步骤流程图；
图2是本发明进行跨域实体身份关联系统的结构示意图；
图3是本发明实施例中基于表示学习的节点表示和身份关联示意图。
具体实施方式
本发明应用于跨域网络实体身份关联分析领域，具体提供一种基于Hub-node节点的跨域实体身份关联方法和系统，身份关联方法主要包括：提出网络中节点的表示学习方法，将节点分别用位置特征与重要程度特征两组向量进行表征，以便于节点的特征表示和最终网络实体身份关联相似度的计算；基于出入度大的跨域网络节点即Hub-node节点，利用实体特征表示进行跨域网络实体的身份关联，相似度越高的节点属于同一网络实体的概率越大；本发明可以在不失准确率的情况下在较短时间内完成跨域网络实体身份的概率化对齐，可很好地解决跨域社交网络等环境下的实体身份对齐问题。
进一步的，如图1所示，本发明提出基于Hub-node节点的跨域实体身份关联方法具体包括如下步骤：
首先对网络中节点的表示，将节点分别用位置特征与重要程度特征两组向量进行表征，这种节点表示的结果用于节点特征表示和最终网络实体身份关联相似度的计算；并基于出入度大的跨域网络节点即Hub-node节点，利用实体特征表示进行跨域网络实体的身份关联。
如图2所示，本实施例还给出了一种基于Hub-node节点的跨域实体身份关联系统，所述系统包括：
网络接口API，用于获得跨域社交网络中网络实体间的社交关系；
节点重要程度特征表示，用于构造节点在网络中的重要程度特征；
节点位置特征表示，用于构造节点在网络中的位置特征；
支持度归一化表示，用于将节点重要程度特征和位置特征归一化表示为一个向量，便于节点相似度计算模型的训练；
支持度维度转换，用于将两个重要程度特征转换为相同维度，便于相似度计算；
节点相似度计算，计算所有来自不同网络域中社交网络实体的相似程度，及跨域网络实体的身份关联分析。
进一步的，如图3所示，结合具体施例对本发明的节点综合表示和跨域实体身份关联进行说明，应用场景为社交网络，具体为社交网络域A和社交网络域B。
首先，在域A和域B中，分别将节点重要程度特征和位置特征综合表示为支持度，节点支持度的构建公式如下：
给定的相邻节点，对的支持度表示为：
；
其中，在社交网络G中，定义两种潜在空间：位置特征潜在空间、重要程度特征潜在空间，其中U表示G中的节点数量，、分别表示和的特征维度；
给定社交网络G中用户节点，其位置特征表示为，重要程度特征表示为；
给定节点的相邻节点，其位置特征表示为、重要程度特征表示为。
角标T表示向量转置操作，支持度通过对重要程度特征向量点积计算得到，该方法来自于注意力机制。
然后，对所有相邻节点的支持度进行归一化，用于支持后续的特征融合，归一化后的支持度表示为：
；
其中，表示节点的所有相邻节点集合，；
接下来，结合节点的所有相邻节点位置特征的归一化支持度，计算聚合特征向量：
；
至此，Hub-node节点的重要程度特征和位置特征归一化表示为。
本实施例进行身份关联相似度的计算：
对于来自两个不同社交网络中的用户，其输入的重要程度特征维度可能不同，首先需经一层感知机将两个重要程度特征转换为相同维度，分别定义权重矩阵和偏置向量，其中t表示输出向量的维度，作为输入向量，经单层感知机后输出中间过程向量为：
；
最终，根据上述节点表示和归一化表达的结果，的身份关联相似度计算如下：
；
其中，由于结果的值大于0，采用tanh激活函数进行[0,1)归一化，值越大则节点间的身份关联相似度就越大，完成跨域网络实体的身份关联。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (2)

1.一种基于Hub-node节点的跨域实体身份关联方法，其特征在于：包括如下关联步骤：
步骤一：对网络节点进行表示学习，将网络节点分别用位置特征与重要程度特征两组向量进行表征，将节点位置特征与重要程度特征综合表示为节点支持度，计算网络实体身份关联的相似度：
步骤1.1：定义用户节点 的相邻节点，则相邻节点对用户节点的支持度的计算公式为：
；
其中角标T表示向量转置操作；
步骤1.2：在社交网络G中分别定义潜在空间：位置特征潜在空间、重要程度特征潜在空间，其中U表示社交网络G中的节点数量，、分别表示潜在空间和的特征维度；
步骤1.3：给定社交网络G中用户节点，对用户节点的位置特征表示为、重要程度特征表示为；
给定用户节点的相邻节点，对相邻节点的位置特征表示为、重要程度特征表示为；
所述节点支持度通过对重要程度特征向量点积计算得到；
步骤1.4：对节点所有相邻节点的支持度进行归一化计算，用于支持后续的特征融合，归一化后的支持度表示为，计算公式为：
；
其中，表示节点的所有相邻节点集合，；
步骤1.5：结合节点的所有相邻节点位置特征的归一化支持度，计算聚合特征向量：
；
将跨域网络节点的重要程度特征和位置特征归一化表示为；
步骤二：基于Hub-node跨域网络节点，采用实体特征表示进行跨域网络实体的身份关联，判定相似度越高的节点属于同一网络实体的概率越大：
步骤2.1：计算身份关联相似度，对于来自两个不同社交网络中的用户，经一层感知机将两个重要程度特征转换为相同维度，分别定义权重矩阵和偏置向量，其中t表示输出向量的维度，将作为输入向量，经单层感知机后输出中间过程向量为：
；
步骤2.2：计算的身份关联相似度，计算公式为：
；
其中；
步骤2.3：由于结果的值大于0，采用tanh激活函数进行[0,1)归一化，值越大则节点间的身份关联相似度就越大。
2.一种基于Hub-node节点的跨域实体身份关联系统，其特征在于：包括获取模块、特征表示模块、身份关联分析模块；
所述获取模块包括：用于获得跨域社交网络中网络实体间社交关系的网络接口API模块；
所述特征表示模块包括：节点重要程度特征表示模块、节点位置特征表示模块、支持度归一化表示模块；
所述身份关联分析模块包括：用于将两个重要程度特征转换为相同维度的支持度维度转换模块、用于计算不同网络域中社交网络实体相似程度的节点相似度计算模块；
所述网络接口API模块依次连接节点重要程度特征表示模块、节点位置特征表示模块、支持度归一化表示模块、支持度维度转换模块后与节点相似度计算模块相连。
CN202310363456.3A 2023-04-07 2023-04-07 一种基于Hub-node节点的跨域实体身份关联方法及系统 Active CN116091260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310363456.3A CN116091260B (zh) 2023-04-07 2023-04-07 一种基于Hub-node节点的跨域实体身份关联方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310363456.3A CN116091260B (zh) 2023-04-07 2023-04-07 一种基于Hub-node节点的跨域实体身份关联方法及系统

Publications (2)

Publication Number Publication Date
CN116091260A true CN116091260A (zh) 2023-05-09
CN116091260B CN116091260B (zh) 2023-07-25

Family

ID=86187247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310363456.3A Active CN116091260B (zh) 2023-04-07 2023-04-07 一种基于Hub-node节点的跨域实体身份关联方法及系统

Country Status (1)

Country Link
CN (1) CN116091260B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116248522A (zh) * 2023-05-11 2023-06-09 中国电信股份有限公司四川分公司 一种业务意愿与确定性网络切片关联方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101030854A (zh) * 2006-03-02 2007-09-05 华为技术有限公司 多媒体子系统中网络实体的互认证方法及装置
CN107404408A (zh) * 2017-08-30 2017-11-28 北京邮电大学 一种虚拟身份关联识别方法及装置
US20180013560A1 (en) * 2015-09-28 2018-01-11 Tencent Technology (Shenzhen) Company Limited Identity authentication method, apparatus, and storage medium
CN111815468A (zh) * 2020-06-04 2020-10-23 哈尔滨工程大学 一种基于用户身份关联的多源社交网络构建方法
CN112036445A (zh) * 2020-08-06 2020-12-04 中国人民解放军战略支援部队信息工程大学 基于神经张量网络的跨社交网络用户身份识别方法
CN112288007A (zh) * 2020-10-29 2021-01-29 北京邮电大学 一种基于多元关系表示的跨域身份关联方法和系统
CN112836139A (zh) * 2021-02-03 2021-05-25 杭州师范大学钱江学院 融合用户特征和嵌入学习的跨社交网络用户身份关联方法
CN114581254A (zh) * 2022-02-28 2022-06-03 中国人民解放军战略支援部队信息工程大学 一种多特征融合的跨社交网络用户身份关联方法
CN115048563A (zh) * 2022-08-15 2022-09-13 中国电子科技集团公司第三十研究所 基于熵权法的跨社交网络用户身份匹配方法、介质及装置
CN115878907A (zh) * 2022-12-28 2023-03-31 人民网股份有限公司 基于用户依赖关系的社交网络转发行为预测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101030854A (zh) * 2006-03-02 2007-09-05 华为技术有限公司 多媒体子系统中网络实体的互认证方法及装置
US20180013560A1 (en) * 2015-09-28 2018-01-11 Tencent Technology (Shenzhen) Company Limited Identity authentication method, apparatus, and storage medium
CN107404408A (zh) * 2017-08-30 2017-11-28 北京邮电大学 一种虚拟身份关联识别方法及装置
CN111815468A (zh) * 2020-06-04 2020-10-23 哈尔滨工程大学 一种基于用户身份关联的多源社交网络构建方法
CN112036445A (zh) * 2020-08-06 2020-12-04 中国人民解放军战略支援部队信息工程大学 基于神经张量网络的跨社交网络用户身份识别方法
CN112288007A (zh) * 2020-10-29 2021-01-29 北京邮电大学 一种基于多元关系表示的跨域身份关联方法和系统
CN112836139A (zh) * 2021-02-03 2021-05-25 杭州师范大学钱江学院 融合用户特征和嵌入学习的跨社交网络用户身份关联方法
CN114581254A (zh) * 2022-02-28 2022-06-03 中国人民解放军战略支援部队信息工程大学 一种多特征融合的跨社交网络用户身份关联方法
CN115048563A (zh) * 2022-08-15 2022-09-13 中国电子科技集团公司第三十研究所 基于熵权法的跨社交网络用户身份匹配方法、介质及装置
CN115878907A (zh) * 2022-12-28 2023-03-31 人民网股份有限公司 基于用户依赖关系的社交网络转发行为预测方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
NGUYEN HOANG LONG 等: "Privacy-Aware Framework for Matching Online Social Identities in Multiple Social Networking Services", 《CYBERNETICS AND SYSTEMS》, vol. 46, no. 1, pages 69 - 83 *
YUANYUAN QIAO 等: "Siamese Neural Networks for User Identity Linkage Through Web Browsing", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》, vol. 31, no. 8, pages 2741 - 2751, XP011802551, DOI: 10.1109/TNNLS.2019.2929575 *
刘奇飞: "跨社交网络的用户身份关联技术研究", 《中国优秀硕士学位论文全文数据库 社会科学Ⅰ辑》, no. 9, pages 113 - 285 *
王李冬 等: "跨社交网络用户身份关联技术", 《重庆理工大学学报(自然科学)》, vol. 35, no. 10, pages 152 - 162 *
王睿恒: "多源异构社交网络用户行为特征提取及身份关联方法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 5, pages 140 - 108 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116248522A (zh) * 2023-05-11 2023-06-09 中国电信股份有限公司四川分公司 一种业务意愿与确定性网络切片关联方法
CN116248522B (zh) * 2023-05-11 2023-09-22 中国电信股份有限公司四川分公司 一种业务意愿与确定性网络切片关联方法

Also Published As

Publication number Publication date
CN116091260B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN110162475B (zh) 一种基于深度迁移的软件缺陷预测方法
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
CN116091260B (zh) 一种基于Hub-node节点的跨域实体身份关联方法及系统
CN107368534A (zh) 一种预测社交网络用户属性的方法
Ustebay et al. Efficient decentralized approximation via selective gossip
CN105162654B (zh) 一种基于局部社团信息的链路预测方法
CN113628059B (zh) 一种基于多层图注意力网络的关联用户识别方法及装置
CN109960755B (zh) 一种基于动态迭代快速梯度的用户隐私保护方法
Li et al. Street-Level Landmarks Acquisition Based on SVM Classifiers.
Xie et al. Neural tensor completion for accurate network monitoring
Li et al. Deep learning for OFDM channel estimation in impulsive noise environments
CN116205383B (zh) 一种基于元学习的静态动态协同图卷积交通预测方法
CN117391816A (zh) 一种异质图神经网络推荐方法、装置及设备
CN113095490A (zh) 一种基于差分隐私聚合的图神经网络构建方法及构建系统
CN117668743A (zh) 一种关联时空关系的时序数据预测方法
Ma et al. GWS-Geo: A graph neural network based model for street-level IPv6 geolocation
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
CN105719190A (zh) 一种基于三角结构的社会网络节点影响力度量方法
CN115587187A (zh) 基于小样本的知识图谱补全方法
CN115032682A (zh) 一种基于图论的多站台地震震源参数估计方法
CN115238748A (zh) 一种基于Transformer和决策融合的调制识别方法
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
CN113850399A (zh) 一种基于预测置信度序列的联邦学习成员推断方法
CN113297575A (zh) 一种基于自编码器的多通道图垂直联邦模型防御方法
Xu et al. Subgraph Sampling for Inductive Sparse Cloud Services QoS Prediction

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