本发明公开了一种基于图神经网络的知识图谱社区划分方法，包括以下步骤：1)构建知识图谱及其邻接矩阵；2)利用图神经网络将知识图谱中的节点进行表示学习，得到节点的向量表示；3)基于余弦相似度计算节点间的相似度；4)根据同类型的节点间的邻接关系以及节点相似度构建一个无向有权节点关系网络；5)设置模块度评估社区内部的内聚程度；6)通过社区划分算法将知识图谱中目标节点进行社团划分。本发明通过图神经网络学习知识图谱的节点特征，然后在向量空间中以节点相似度为基准进行社区划分，提高了社区划分的准确率。
📄 2021110444704
📂 G06F16_36
👤 浙江工业大学
📅 2021-09-07
本发明公开一种基于图神经网络的多通道区块链钓鱼节点检测方法，包括步骤：根据区块链交易信息构建网络序列型动态整体交易网络图和动态交易模式子图；获得时间加权交易连边；学习目标节点的用户潜在特征和交易模式特征；获得组合特征输入到检测模块中获得最终检测结果；利用目标节点的真实类标与最终检测结果对检测模型进行训练，获得多通道区块链钓鱼节点检测模型。本发明的钓鱼节点检测方法，采用基于图神经网络的节点分类与节点交易模式识别双通道，可以有效提取用户节点的潜在特征与其交易模式特征，提高区块链钓鱼节点检测模型的有效性，实现对区块链钓鱼节点的检测。
📄 202110654086X
📂 G06Q20_38
👤 浙江工业大学
📅 2021-06-11
一种基于图神经网络的长时间序列分类方法，包括：1)采集样本数据集，设定分段数并将时间序列数据分段；2)将每段时间序列数据分别转换为对应的网络图数据；3)采用图神经网络对所述分段时间序列对应的网络图数据进行特征提取，得到时间序列数据对局部特征向量，并同步训练各分段网络图的邻接矩阵；4)采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到各分段最终的特征向量；5)融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；6)调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤2‑5至分类效果最佳。本发明减少计算资源消耗，降低计算时间。
📄 2022105885133
📂 G06K9_62
👤 浙江工业大学
📅 2022-05-26
一种针对网络节点分类和链路预测的指标评测方法，包括：S1：选取最新的节点分类模型和链路预测模型和攻击算法；S2：计算得到网络图性质指标和攻击隐蔽性指标；S3：通过指标相关性分析，筛选掉相关性过高的指标。S4：训练随机森林模型。设计特征映射损失函数，并进行多次迭代，使用t‑SNE方法对输出指标进行可视化，可视化模型鲁棒性特征。本发明还公开了一种针对网络节点分类和链路预测的指标评测方法，由识别攻击模块，评测模块，相关性分析模块，搜索优化模块连接而成。本发明将图像的模型分析方法引入网络领域，使得其可以分析网络领域中模型的性质。提出了网络图性质指标和攻击隐蔽性指标，设计损失函数，多次迭代，寻找最优参数。
📄 2021104981406
📂 H04L41_14
👤 浙江工业大学
📅 2021-05-08
一种基于图神经网络的调制信号分类方法，包括：步骤S1、将I/Q调制信号数据集的每个双通道I/Q调制信号数据处理成四通道信号；步骤S2、将所属四通道信号分别转换成对应的四通道无向网络图信号；步骤S3、采用图神经网络对所述四通道无向网络图信号进行特征提取，得到四通道的特征向量；步骤S4、融合四通道的特征向量为所述每个I/Q调制信号的特征向量，且结合全连接层完成信号的分类；步骤S5、调节可视窗大小，重复步骤S2‑步骤S4步骤至效果最佳。本发明还包括一种图神经网络的调制信号分类系统。本发明能改进现有的可视图算法使其适用于调制信号，贴合调制信号中每个调制符号之间相互较为独立的特性，同时尽可能降低计算时间。
📄 2021105987537
📂 G06K9_00
👤 浙江工业大学
📅 2021-05-31
本发明涉及一种基于信号强度和图神经网络的无人机异常检测方法，属于多无人机系统安全领域。本发明包括：构建以通信半径为约束的动态无人机拓扑图；提取奖励图、高斯目标图、障碍图及空间偏好图等多通道空间特征，经编码获得节点嵌入；采用多头图注意力机制融合信号强度信号偏差特征，通过残差连接增强梯度稳定性；利用DiffPool可学习池化机制构建分层图结构，结合聚类一致性损失优化簇内特征表达；最终基于注意力加权的信号强度偏差评分实现异常无人机识别。本发明解决了动态拓扑适应性与噪声鲁棒性问题，适用于城市空域监管及集群协作场景。
📄 2025111838557
📂 G06F18_2433
👤 浙江工业大学
📅 2025-08-22
基于知识关系图增强的小样本分子性质预测方法和装置，其方法包括：S1：构建分子—性质关系图；S2：在分子—性质关系图的基础上构建基于知识引导的分子—性质关系图；S3：基于步骤S2得到的增强图，通过随机抽样从训练任务集中抽取目标任务，根据选定目标任务提取子图，获取子图表征；S4：通过辅助任务采样器进行采样，得到与目标任务高度相关的辅助任务，根据步骤S3得到的子图和辅助任务重新构建一个关系更加丰富的子图；S5：基于步骤S4得到的子图进行小样本分子性质预测训练，计算损失，更新模型参数，提高模型快速泛化到新目标性质的能力；S6：使用步骤S5训练好的模型进行目标性质参数适应，进而获得面向目标性质的泛化模型用于分子性质预测。
📄 2024119264293
📂 G16C20_30
👤 浙江工业大学
📅 2024-12-25
基于解释图神经网络的推荐解释可视分析方法和装置，其方法包括：对数据进行清洗与预处理，并根据观影数据计算特征相关性分数；将处理好的数据作为输入，用具有代表性的图神经网络模型进行训练，获得实体的高维嵌入表示和推荐结果；将嵌入空间分布转换为分类任务，获取优化后的用户推荐路径图，抽取出对推荐预测重要的图模式；设计数据可视化视图对解释过程进行展示，通过偏好分析对比视图，结合解释评估视图，来验证解释模型的可靠性；通过模型计算与可视化设计为分析人员提供对推荐结果的理解，并据此获得可视见解，通过迭代式交互分析提高模型的推荐性能，以此验证分析方法的可靠性。
📄 2023113921278
📂 G06F16_9535
👤 浙江工业大学
📅 2023-10-25
一种基于图神经网络的多视角文本分类方法，包含：对输入文本进行预处理；基于固定大小的滑动窗口将文本构建成一个文本图；使用Glove词嵌入模型将文本转化为低维向量表示；将初始文本向量矩阵输入门控图神经网络GGNN中，对文本数据中的语义关系和单词依赖关系建模和学习；将GGNN的输出分别输入到BiLSTM和TextCNN以增强文本特征表示；使用节点级注意力机制对单词节点表示进行聚合；融合多视角文本特征表示，包含图结构特征、BiLSTM顺序特征及N‑grams局部特征；将初始文本向量矩阵输入远距离特征提取器，扩大单词节点的感受野；使用KL散度衡量多视角融合特征及远距离节点特征之间的概率分布；使用交叉熵损失函数与KL散度正则化项联合计算模型损失。
📄 2023108429546
📂 G06F16_35
👤 浙江工业大学
📅 2023-07-11
本发明公开了一种基于动态多视图耦合图卷积的城市出行需求预测方法，获取城市中各个区域的地理位置数据、POI数据和道路数据，以各个区域为节点构建地理相似图、功能相似图和道路相似图；以单位时间为间隔，获取城市中每个区域在各个单位时间内的出行需求数据，构建动态需求相似图；然后结合动态多视图和耦合图卷积模块，能够从多个角度对出行需求数据中复杂的时空关系进行建模，对各个单位时间对应的融合空间特征分别采用门控循环单元提取时间相关特征，然后提取时间相关特征与外部特征之间的注意力分数，以注意力分数为权重，对所有单位时间对应的时间相关特征进行加权求和，得到最终预测结果。本发明提高了城市出行需求预测的准确性。
📄 2022109160725
📂 G06Q10_04
👤 浙江工业大学
📅 2022-08-01
本发明公开了一种基于有效邻居取样最大化的图神经网络的个性化建模方法，属于个性化时尚推荐系统技术领域体。本发明还提供一种个性化模型，该模型包括构图模块、时尚单品表示模块、用户表示模块、上衣‑下衣兼容性模块、用户个性化模块、推荐模块；其中构图模块与时尚单品表示模块、用户表示模块两大模块相连，时尚单品表示模块与上衣‑下衣兼容性模块相连，时尚单品表示模块和用户表示模块与用户个性化模块相连，上衣‑下衣兼容性模块和用户个性化模块两大模块与推荐模块相连。本发明提供了图神经网络在时尚推荐领域的具体用途，提高了推荐的准确度；在图神经网络的不同层采用不同的取样概率，提高了模型对目标结点的表示能力和模型的鲁棒性。
📄 2022105718677
📂 G06F30_27
👤 青岛科技大学
📅 2022-05-25
本发明公开了一种基于图神经网络的论文数据姓名消歧算法，该算法将每篇论文作为异质网络的节点，通过论文属性特征之间的强关联性建立边，并使用无监督的图自动编码器学习得到每篇论文的表征向量，同时还采用分层的注意力机制网络来增强论文的向量表示，最后通过层次聚类算法实现同名作者消歧。相较于传统方法，本发明利用图神经网络对异质网络中的节点进行表征，可以充分利用节点之间的关联信息，提高消歧的准确率；本发明使用无监督的图自动编码器进行论文表征向量的学习，避免了传统消歧方法中需要大量标注数据的问题；本发明采用分层的注意力机制网络来学习节点和元路径之间的权值关系，进一步增强了论文的向量表示和消歧的准确率。
📄 2023105848726
📂 G06F16_35
👤 浙江理工大学
📅 2023-05-23
柿子坊 · 知识产权运营
柿子坊知识产权运营平台