申请/专利权人：电子科技大学

申请日：2023-07-26

公开（公告）日：2023-10-24

公开（公告）号：CN116932925A

主分类号：G06F16/9536

分类号：G06F16/9536;G06F16/36;G06N20/00;G06F18/24

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.11.10#实质审查的生效;2023.10.24#公开

摘要：本发明公开了一种基于超模体嵌入的社交网络多元关系及事件预测方法，将社交网络数据通过知识超图进行表征，通过采样、编码和计数知识超图中子超图，并与随机超图对比分析来提取出知识超图区别于随机超图的子超图，并将子超图作为超模体，并根据超模体对知识超图构建的样本集中的超边进行特征嵌入，通过机器学习分类模型来完成判定给定超边是否为真的二元分类问题，实现对社交网络中未知的多元关系和事件进行推理和预测。本发明的方法克服现有技术无法表征社交网络中多元关系及事件的缺点，将基于图局部结构的知识图谱补全方法推广至所述知识超图，预测结果准确，并且具可解释性，有助于科研人员认识和理解复杂抽象的社交网络数据。

主权项：1.一种基于超模体嵌入的社交网络多元关系及事件预测方法，具体步骤如下：S1、通过社交网络多元数据来构建知识超图；S2、对所述知识超图进行子超图采样获得子超图样本集；S3、通过基于张量的子超图表征方法和超边的规范化标号方法对所述子超图样本集中的子超图进行表征、去同构和编码，并构建哈希字典进行计数；S4、通过所述知识超图来生成同规模、同度分布的随机超图；S5、超模体的提取和重要性分析；S6、构建正、负关系样本集，并合并构成总的关系样本集；S7、通过超模体对关系样本集进行特征嵌入；S8、通过机器学习分类模型对关系样本集的特征向量和标签进行学习训练，使用训练好的机器学习分类模型对社交网络中未知的多元关系及事件的真实和虚假进行预测。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于超模体嵌入的社交网络多元关系及事件预测方法

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