买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜安徽大学申请的专利基于动态调整和邻居对比模块的网络社团划分方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119693171B 。

龙图腾网通过国家知识产权局官网在2025-05-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411760607.X，技术领域涉及：G06Q50/00；该发明授权基于动态调整和邻居对比模块的网络社团划分方法是由孙登第;吴志翔设计研发完成，并于2024-12-03向国家知识产权局提交的专利申请。

本基于动态调整和邻居对比模块的网络社团划分方法在说明书摘要公布了：本发明公开一种基于动态调整和邻居对比模块的网络社团划分方法，获取社交网络数据并构建原始图，图增强模块基于样本学习正负例法对原始图进行社团划分，生成两个新的增强图，将两个增强图输入共享参数的双层编码器，通过编码器分别进行特征提取，得到对应的节点特征，对节点特征输入自适应调整模块，动态调整重构，通过邻居对比模块来评估每个邻居对损失计算的贡献，计算对比损失时引入锚点相邻节点的相似度，通过对比损失和重构损失来评估模型的预测值与真实值之间差别。本发明通过引入邻居对比模块，将邻居锚点对相似度得分相加，使得模型能够更精确地区分正样本对和负样本对，从而提高了模型的聚类和预测准确性。

本发明授权基于动态调整和邻居对比模块的网络社团划分方法在权利要求书中公布了：1.一种基于动态调整和邻居对比模块的网络社团划分方法，其特征在于，包括以下步骤：步骤1、获取社交网络数据并构建原始图G＝X,A，A表示社交网络的邻接矩阵，代表每个节点之间的连接关系，X表示是社交网络中节点的特征矩阵，节点代表社交网络中的用户；通过图增强模块基于样本学习正负例法对原始图G＝X,A进行社团划分，生成两个新的增强图G1＝X1,A1和G2＝X2,A2，具体方法为：随机删除原始图中不重要的边得到A1和A2，随机删除原始图中不重要的属性得到X1和X2；步骤2、将增强图G1＝X1,A1和增强图G2＝X2,A2一起输入共享参数的双层编码器fθ，通过编码器fθ对两个增强图分别进行特征提取，得到对应的节点特征Z1和Z2；步骤3、将步骤2所得特征Z1和Z2输入自适应调整模块，对特征Z1和Z2分别动态调整重构，得到新的邻接矩阵A′1和A′2；将A′1和A1对比以及将A2与A′2对比，得到对应的交叉熵损失k1和k2；表达式如下： k1＝[-logA′1po-log1-A′1neg]k2＝[-logA′2pos-log1-A′2neg]上式中，T是指矩阵转置，σ是Sigmoid函数，A′1pos代指A′1，A′1neg是通过负采样生成A′1pos中不存在的边；节点i表示锚点，节点j是指视图内节点i的一阶邻居节点；是指增强图G1中i节点特征，是指增强图G1中和i节点相连的节点j的节点特征；是指增强图G2中i节点特征，是指增强图G2中和i节点相连的节点j的节点特征；步骤4、通过邻居对比模块来评估每个邻居对损失计算的贡献，计算对比损失LN时，引入锚点相邻节点的相似度，加入到正样本对中；正节点包括不同视图中锚点的相同节点以及视图内和跨不同视图的锚的邻居节点；负节点包括视图内和跨不同视图的锚的非邻居；LN的计算公式如下： 上式中，是指锚点相邻节点的相似度；最终，通过总损失函数来评估模型的预测值与真实值之间差别；总损失包括对比损失LN、重构损失k1和重构损失k2；重构损失来最小化重建的邻接矩阵与原始邻接矩阵之间的差异。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230601 安徽省合肥市蜀山区经开区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。