買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉大連理工大學申請的專利一種基于多視角圖學習的引文網絡骨架構建方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115759198B 。

龍圖騰網通過國家知識產權局官網在2025-08-12發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211439716.2，技術領域涉及：G06N3/0464；該發明授權一種基于多視角圖學習的引文網絡骨架構建方法是由劉嘉瑩;孫玉濤設計研發完成，并于2022-11-17向國家知識產權局提交的專利申請。

本一種基于多視角圖學習的引文網絡骨架構建方法在說明書摘要公布了：本發明公開了一種基于多視角圖學習的引文網絡骨架構建方法，利用多視角圖學習方法將引文網絡中節點的外部屬性信息、網絡結構以及節點之間的多種關系有效結合，并引入注意力機制為不同節點、屬性分配不同權重，對重要節點進行特征學習，實現精準的節點表征。進一步利用利用隨機游走思想，度量論文節點的相互影響，反映知識的傳播與應用。本發明的實驗結果也驗證了引文網絡骨架構建有助于細粒度展示引文網絡中節點之間的知識傳遞關系，更加客觀地體現引文網絡中知識的傳播、利用與創新，同時實驗結果也能夠良好的反映網絡的組成和結構。本發明提供了學術引用網絡中骨架網絡構建的一種新方法，為研究引文網絡提供了一種新的解決方案。

本發明授權一種基于多視角圖學習的引文網絡骨架構建方法在權利要求書中公布了：1.一種基于多視角圖學習的引文網絡骨架構建方法，其特征在于，包括以下步驟： （1）基于論文之間的引用關系、共被引關系以及共關鍵字關系構建多層關系網絡； （2）基于步驟（1）構建的多層關系網絡識別其中的重要節點 2.1）屬性視圖特征學習 2.1.1）基于構建的多層關系網絡獲取節點的外部屬性信息，包括影響論文重要程度的因素-論文所發表期刊的影響因子、論文所有作者的平均引用量、論文的話題流行度以及論文參考文獻的平均引用量；論文所有作者的平均引用量計算公式為： ， 其中，為論文所有作者的集合，為作者的引用量，為數據集中第篇論文； 基于熱門方向的論文往往會受到更多學者的關注，提出話題流行度TP指標，計算公式為： ， 其中，為論文中的某一關鍵字，為關鍵字出現的次數，是論文中關鍵字集合，關鍵字是論文集合中所有關鍵字集合，是關鍵字出現的次數；參考文獻的平均引用量是衡量參考文獻質量的直觀指標，計算公式為： ， 其中，為論文中參考文獻的數量，為參考文獻的引用量； 利用論文所發表期刊的影響因子、論文所有作者的平均引用量、論文的話題流行度以及論文參考文獻的平均引用量構成屬性特征矩陣； 2.1.2）利用步驟2.1.1）獲取的屬性特征矩陣計算屬性視圖下節點表征；節點的重要度不僅與自身屬性相關，還與網絡中其他節點，鄰居節點對它的貢獻度相關；為有效融合鄰居節點的貢獻，采用圖卷積神經網絡，通過學習函數實現屬性特征聚合，其中是構建的多層關系網絡中的引文網絡，是屬性視圖特征學習的參數，在第層卷積層中，屬性特征聚合的輸出表示為： ， 其中，，是論文引用網絡的鄰接矩陣，是單位矩陣；是的對角度矩陣，計算公式為：，表示矩陣中第行第列個元素，表示矩陣中第行第列元素；是第層卷積層的訓練參數，是激活函數；當時，輸入是屬性特征矩陣，即；為充分度量每個鄰居節點的重要性差異，利用注意力機制，為每個鄰居節點學習不同的權重；在第層卷積層，節點之間的相關性矩陣表示為： ， 其中，是節點自身的訓練參數；是鄰居節點的訓練參數；是鄰接矩陣與參數的乘積運算，表示傳播能力；是Sigmod激活函數，即；最后整個網絡的相關系數矩陣通過計算節點之間的相關性矩陣得到： ， 其中，代表論文節點所有鄰居節點集合；用將原始的網絡相關系數矩陣替換，實現在卷積的過程中為不同鄰居節點分配不同權重； 2.2）結構視圖特征學習 2.2.1）基于構建的多層關系網絡獲取網絡的結構特征信息，包括節點的度、節點的介數、接近中心性以及節點的聚類系數，計算得出引用網絡的結構特征； 2.2.2）利用步驟2.2.1）獲取的結構特征矩陣計算結構視圖下節點表征，采用卷積操作計算結構特征視圖的最終表示，卷積過程如下： ， 其中，，在結構視圖特征學習中，第層卷積層節點之間相關性矩陣表示為： ， 最后整個圖的相關系數矩陣為； 2.3）關系視圖特征學習 2.3.1）基于構建的多層關系網絡獲取多層網絡鄰接矩陣集合，保存在關系視圖下節點間的連接關系，表示構建的多層關系網絡的層數； 2.3.2）利用步驟2.3.1）獲取的關系特征矩陣計算關系視圖下節點表征；采用協同訓練的方式，最大化不同關系視圖間的相互一致性，減少計算復雜度，獲取多關系視圖下節點的表示；將聚合多層網絡的拉普拉斯矩陣表示為，其中是每一種關系視圖的權重，每種關系視圖下的拉普拉斯矩陣為，其中是的度矩陣，計算公式為：；在每種關系視圖下，加入節點的自連接以保存節點自身的結構特征： ， 其中，，，將每種關系視圖下的拉普拉斯矩陣形式化為；動態調整每一種關系下的拉普拉斯矩陣權重以實現聯合學習，定義；權重參數的計算公式為： ， 代表在關系視圖下節點的表示，在層其計算公式為： ， 基于協同訓練的思想，計算關系視圖下節點的最終表示：； 2.4）多視圖聚合；在聚合節點最終表示時，為了有效融合屬性特征表示、結構特征表示與關系特征表示，采用注意力機制學習不同視圖的重要度： ， 其中表示視圖下特征學習的最終輸出，表示在聚合最終表示時視圖的重要度，計算公式為： ， 其中，是視圖的特征向量； 2.5）重要節點標簽預測；將得到的最終節點的表示作為SoftMax分類器的輸入，使用SoftMax分類器識別重要節點，將分類結果與SIR模擬實驗得出的節點重要度排序結果進行比較，以優化負對數似然損失函數；最終基于分類的交叉熵損失函數為： ， ， 其中，是節點的真實標簽，是預測節點標簽為的概率值，，分別為模型在類別和的分類參數； 2.6）重要節點標記；使用步驟2.5）中預測的節點標簽，標記網絡中的重要節點； （3）基于步驟（2）識別的重要節點構建骨架網絡 3.1）以每篇論文的參考文獻構成該節點的母節點集合，引用的論文構成該節點的后代集合，論文的母節點對的影響力用表示，表示論文與之間的相似性；將集合中的論文看作是的同伴，若論文與其同伴集合中的論文相似度越高，則母節點對的影響越大； 3.2）采用隨機游走的思想衡量兩篇論文的相似性；從節點到節點的兩步隨機游走經過他們的共同參考文獻，這種情況下對的貢獻為： ， 3.3）計算從節點到節點的兩步隨機游走概率度量兩篇論文的相似性： ， 3.4）線性聚合和，計算母節點對其子節點的影響： ， 3.5）其對每篇中心論文，根據值的大小，保留對節點影響最大的母節點，加入骨架網絡中； 3.6）對骨架網絡中的節點重復執行步驟3.1）~3.5），構建引文網絡骨架。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人大連理工大學，其通訊地址為：116024 遼寧省大連市甘井子區凌工路２號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。