申请/专利权人：南昌航空大学

申请日：2024-01-30

公开（公告）日：2024-04-26

公开（公告）号：CN117934192A

主分类号：G06Q50/00

分类号：G06Q50/00;G06N3/042;G06N3/0464;G06N3/084;G06N3/096

优先权：["20230830 CN 2023111030955"]

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明提供一种基于改进的图卷积神经网络的社交网络桥节点识别方法，本发明分别从依赖社区划分的评估方法角度选取本地网关指数gatewaylocalrank，GLR、模块度变化度ModularityVitality，以及不依赖社区角度的NBNC三元组Neighborhood‑basedbridgenodecentralitytuple三种指标，通过结合两类对社区依赖程度不同的桥节点识别方法全面的获取桥节点标记，解决现有技术在评价桥节点时过于依赖社区划分的问题；通过对图卷积神经网络进行改进利用路径可靠性分数扩大节点感受野，解决小度桥节点信息获取不足，识别不够准确的问题，增强模型的泛化能力，训练完的模型具备迁移学习的能力，经过训练后的模型在新的数据集中的收敛速度会有所提升。

主权项：1.一种基于改进的图卷积神经网络的社交网络桥节点识别方法，其特征在于，包括以下步骤：步骤S1，对社交网络进行数据标记，采用Leiden算法进行社区划分，再采用VIKOR多属性决策方法综合NBNC三元组、模块度变化度、本地网关指数计算每个节点的综合桥接得分，然后通过阈值选取预设数量的节点作为社交网络中的桥节点标签；步骤S2，构建节点特征向量，从局部信息与全局信息的角度中选取节点的度中心性、介数中心性、节点的PageRank值作为节点特征向量；步骤S3，构建改进的图卷积神经网络模型，改进的图卷积神经网络模型具有计算路径可靠性的聚合规则，以扩大小度桥节点感受野；步骤S4，将步骤S2中节点特征向量输入至步骤S3构建的模型中，并利用步骤S1得到的桥节点标签，多层传播后输出使用softmax函数进行输出，反向传播更新参数，训练模型从而进行社交网络桥节点识别任务。

全文数据：

权利要求：

百度查询： 南昌航空大学 基于改进的图卷积神经网络的社交网络桥节点识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD