隐藏社区检测有助于揭示网络深层次功能和结构特征,是一个具有挑战性的研究领域。隐藏社区由弱关系连接而成,受具有较强连接关系的显性社区影响,在网络中不易被检测到。当前的隐藏社区发现算法对节点属性信息和全局拓扑结构的综合利用...隐藏社区检测有助于揭示网络深层次功能和结构特征,是一个具有挑战性的研究领域。隐藏社区由弱关系连接而成,受具有较强连接关系的显性社区影响,在网络中不易被检测到。当前的隐藏社区发现算法对节点属性信息和全局拓扑结构的综合利用仍显不足,为解决这一问题,提出了一种基于双重图卷积神经网络(GCN)联合优化隐藏社区发现算法——HCDGCN(hidden community detection based on dual GCN)。HCDGCN融合节点局部和全局结构特征,通过两个GCN共同迭代优化一个损失函数,并逐步削弱权重,使得弱关系社区变得清晰可见,实现了隐藏社区发现。在真实数据集上的实验结果表明,HCDGCN在隐藏社区发现方面优于现有基准方法,实现了更快的收敛速度和更优的社区划分。展开更多
为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD...为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD)的无监督异常检测方法。利用LSTM网络提取可变长度飞行轨迹的关键特征,并将其转化为固定长度的序列表示;通过SVDD算法构建多维超球分类器,对正常飞行轨迹进行建模,从而识别潜在异常轨迹。为进一步提升模型性能,引入基于梯度的优化算法(Gradient-Based training algorithm, GB),实现LSTM与SVDD参数的联合训练,大幅度提高检测精度和计算效率。仿真实验结果表明,新提出的基于梯度优化的长短时记忆网络和支持向量数据描述模型(Long Short-Term Memory network and Support Vector Data Description model based on Gradient-Based training algorithm optimization, LSTM-GBSVDD)的飞行轨迹异常检测方法在处理复杂、多变的飞行轨迹异常检测任务中表现出较好的有效性和优越性,有较强的应用前景。展开更多
文摘对特定领域的技术机会进行挖掘与分析,可以为企业“从0到1”的原始创新提供新参考和新建议。本文提出了一种基于超链路预测的多元技术机会发现方法。首先,基于技术间多元共现关系构建技术关系超网络,利用IPC(international patent classification)的引用信息和文本信息生成节点特征向量;其次,将超链路预测模型Hyper-SAGNN(a self-attention based graph neural network for hypergraphs)扩展到技术关系超网络中,预测未来多个技术融合形成技术机会的可能性;最后,基于新颖性、中心性、跨领域性等特征构建度量指标,发现潜在的、有价值的多元技术机会。以智能问答技术领域为例,验证了本文方法的科学性和有效性,有效挖掘出高价值的三元技术机会和四元技术机会,为企业的技术战略布局与创新策略提供了决策支持。
文摘隐藏社区检测有助于揭示网络深层次功能和结构特征,是一个具有挑战性的研究领域。隐藏社区由弱关系连接而成,受具有较强连接关系的显性社区影响,在网络中不易被检测到。当前的隐藏社区发现算法对节点属性信息和全局拓扑结构的综合利用仍显不足,为解决这一问题,提出了一种基于双重图卷积神经网络(GCN)联合优化隐藏社区发现算法——HCDGCN(hidden community detection based on dual GCN)。HCDGCN融合节点局部和全局结构特征,通过两个GCN共同迭代优化一个损失函数,并逐步削弱权重,使得弱关系社区变得清晰可见,实现了隐藏社区发现。在真实数据集上的实验结果表明,HCDGCN在隐藏社区发现方面优于现有基准方法,实现了更快的收敛速度和更优的社区划分。
文摘为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD)的无监督异常检测方法。利用LSTM网络提取可变长度飞行轨迹的关键特征,并将其转化为固定长度的序列表示;通过SVDD算法构建多维超球分类器,对正常飞行轨迹进行建模,从而识别潜在异常轨迹。为进一步提升模型性能,引入基于梯度的优化算法(Gradient-Based training algorithm, GB),实现LSTM与SVDD参数的联合训练,大幅度提高检测精度和计算效率。仿真实验结果表明,新提出的基于梯度优化的长短时记忆网络和支持向量数据描述模型(Long Short-Term Memory network and Support Vector Data Description model based on Gradient-Based training algorithm optimization, LSTM-GBSVDD)的飞行轨迹异常检测方法在处理复杂、多变的飞行轨迹异常检测任务中表现出较好的有效性和优越性,有较强的应用前景。
