買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南通大學(xué)申請(qǐng)的專利基于節(jié)點(diǎn)結(jié)構(gòu)特征的圖卷積神經(jīng)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116226467B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-08發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202310297088.7，技術(shù)領(lǐng)域涉及：G06F16/901；該發(fā)明授權(quán)基于節(jié)點(diǎn)結(jié)構(gòu)特征的圖卷積神經(jīng)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)方法是由施振佺;孫凡;施佺;羅奇才;張翁堅(jiān);黃子玲;馮季;王博文設(shè)計(jì)研發(fā)完成，并于2023-03-24向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于節(jié)點(diǎn)結(jié)構(gòu)特征的圖卷積神經(jīng)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)方法在說明書摘要公布了：本發(fā)明公開一種基于節(jié)點(diǎn)結(jié)構(gòu)特征的圖卷積神經(jīng)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)方法。首先，將不同類型的節(jié)點(diǎn)映射至同一空間，使用GCN模型求得節(jié)點(diǎn)特征。然后，從異構(gòu)性和重疊性兩個(gè)方面考慮節(jié)點(diǎn)的結(jié)構(gòu)特征。接著，對(duì)三個(gè)角度下的目標(biāo)節(jié)點(diǎn)表征進(jìn)行堆疊，使用MLP生成最終的目標(biāo)節(jié)點(diǎn)表征。最后，使用k?means聚類算法，對(duì)節(jié)點(diǎn)進(jìn)行社區(qū)劃分。本發(fā)明從異構(gòu)性和重疊性兩個(gè)角度，考慮節(jié)點(diǎn)結(jié)構(gòu)特征，從節(jié)點(diǎn)特征和節(jié)點(diǎn)結(jié)構(gòu)特征兩個(gè)方面，考慮節(jié)點(diǎn)表征，為學(xué)習(xí)節(jié)點(diǎn)表征提供了新的角度，提高了節(jié)點(diǎn)表征的質(zhì)量，保證了社區(qū)發(fā)現(xiàn)的精確性，對(duì)個(gè)性化推薦、社區(qū)欺詐檢測等多種領(lǐng)域有著重要意義。

本發(fā)明授權(quán)基于節(jié)點(diǎn)結(jié)構(gòu)特征的圖卷積神經(jīng)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)方法在權(quán)利要求書中公布了：1.一種基于節(jié)點(diǎn)結(jié)構(gòu)特征的圖卷積神經(jīng)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)方法，其特征在于，所述方法包括如下步驟： 步驟1：對(duì)圖進(jìn)行預(yù)處理，將圖中不同類型的節(jié)點(diǎn)映射到同一個(gè)潛在向空間中； 步驟2：使用GCN模型，學(xué)習(xí)目標(biāo)節(jié)點(diǎn)的第一節(jié)點(diǎn)特征； 步驟3：根據(jù)圖的邊關(guān)系類型，將圖分為M個(gè)關(guān)系子圖；針對(duì)每個(gè)關(guān)系子圖，分別使用GCN模型，求得目標(biāo)節(jié)點(diǎn)在不同關(guān)系下的特征向量；使用多頭注意力機(jī)制聚合多關(guān)系下的節(jié)點(diǎn)特征，形成第二節(jié)點(diǎn)特征； 步驟4：考慮節(jié)點(diǎn)之間重疊鄰居的特征，根據(jù)鄰接矩陣求得節(jié)點(diǎn)的結(jié)構(gòu)表示，形成節(jié)點(diǎn)的結(jié)構(gòu)特征矩陣；考慮多階鄰居關(guān)系，形成多階的鄰接矩陣，根據(jù)結(jié)構(gòu)特征矩陣和鄰接矩陣，形成在每階層情況下的節(jié)點(diǎn)表征矩陣，最后使用多層感知機(jī)連接，形成第三節(jié)點(diǎn)特征； 步驟5：堆疊第一節(jié)點(diǎn)特征、第二節(jié)點(diǎn)特征、第三節(jié)點(diǎn)特征，通過多層感知機(jī)輸出最終的節(jié)點(diǎn)表征模型； 步驟6：使用交叉熵?fù)p失函數(shù)訓(xùn)練所述節(jié)點(diǎn)表征模型； 步驟7：使用k-means聚類方法，將各個(gè)節(jié)點(diǎn)聚入各個(gè)社區(qū)，實(shí)現(xiàn)社區(qū)檢測； 所述步驟1的具體步驟如下： 步驟1-1：將用于社區(qū)網(wǎng)絡(luò)的圖定義為G＝V,E,Tv,Te，它包含了具有多種節(jié)點(diǎn)類型Tv的多個(gè)節(jié)點(diǎn)V和具有多種邊類型Te的邊E，該圖有多種邊類型|Te|1，邊類型映射函數(shù)：節(jié)點(diǎn)個(gè)數(shù)為N，節(jié)點(diǎn)v的鄰居表示為Nv，euv表示從節(jié)點(diǎn)u到v的連接邊；任何節(jié)點(diǎn)v，其鄰居節(jié)點(diǎn)集表示為 用表示初始節(jié)點(diǎn)特征矩陣，節(jié)點(diǎn)v的初始特征向量為 對(duì)不同類型的節(jié)點(diǎn)應(yīng)用特定類型的線性變換，將其映射到同一潛在空間中，形成映射后矩陣H； 對(duì)于t∈Tv型的節(jié)點(diǎn)v∈Vt有： 其中Wt是t關(guān)系下的可訓(xùn)練權(quán)重矩陣，是在t關(guān)系下節(jié)點(diǎn)v的初始特征向量； 對(duì)于同時(shí)具有多種類型的節(jié)點(diǎn)v有： 步驟1-2：將數(shù)據(jù)集劃分成訓(xùn)練集、驗(yàn)證集和測試集以進(jìn)行實(shí)驗(yàn)。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人南通大學(xué)，其通訊地址為：226019 江蘇省南通市崇川區(qū)永福路79號(hào)1幢南通大學(xué)技術(shù)轉(zhuǎn)移研究院；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。