CN114817757B - 基于图卷积网络的跨社交网络虚拟身份关联方法 - Google Patents
基于图卷积网络的跨社交网络虚拟身份关联方法 Download PDFInfo
- Publication number
- CN114817757B CN114817757B CN202210346348.0A CN202210346348A CN114817757B CN 114817757 B CN114817757 B CN 114817757B CN 202210346348 A CN202210346348 A CN 202210346348A CN 114817757 B CN114817757 B CN 114817757B
- Authority
- CN
- China
- Prior art keywords
- user
- graph
- feature
- network
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005096 rolling process Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于图卷积网络的跨社交网络虚拟身份关联方法,包括步骤:S1、用户特征提取;S2、特征图和拓扑图构建;S3、节点嵌入;S4、身份关联。该基于图卷积网络的跨社交网络虚拟身份关联方法,本发明通过用户属性、用户生成内容提取特征,用户的社交关系构建邻接矩阵,进一步构造了特征图和拓扑图,然后利用图卷积网络充分提取特征空间、拓扑空间以及这两者共同的更深层次的信息,并利用注意力机制综合了两个特定嵌入和一个共同嵌入,从而有效融合了用户属性、用户生成内容以及用户社交关系这三维度特征并挖掘了他们的潜在关系,解决单模态表征能力弱、潜在关系常被忽视等问题。
Description
技术领域
本发明涉及网络虚拟身份关联技术领域,具体为基于图卷积网络的跨社交网络虚拟身份关联方法。
背景技术
随着互联网的快速发展,越来越多的人参与到社交网络中去,他们通常会注册多个社交网络账号以获取不同的服务,因此,若能将不同社交网络属于同一自然人的账号关联在一起,就可以更全面地了解用户并将其应用在推荐***、网络安全等场景当中。
进行跨社交网络虚拟身份关联任务通常可以从用户属性、用户生成内容及用户社交关系三个维度中获取特征,传统的方法一般是针对某一维度的用户信息提取相似性特征,如对用户属性的字段距离、用户生成内容的统计特征以及社交关系的邻域匹配等等进行相似性计算,然后通过阈值比较确定两个用户是否属于同一自然人,该方法虽然简单,但在准确率方面却不尽人意,到了后来,机器学习方法被广泛应用,其也是基于用户之间的信息相似值作为模型的输入,然后输出分类结果,但该方法需要人工提取较好的特征才能有好的分类结果,近年来,由于深度学习方法在特征提取方面的突出表现,基于深度学习的方法被广泛应用,但他们通常选择一个维度或两个维度的用户信息进行跨社交网络虚拟身份关联,这样的效果可能会产生令人不满意结果,因为只从单个维度进行分析容易对信息利用不充分,若选取多维度信息进行虚拟身份关联,如何有效地融合这些特征又是另一个关键。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于图卷积网络的跨社交网络虚拟身份关联方法,具备有效融合了用户属性、用户生成内容以及用户社交关系这三维度特征并挖掘了他们的潜在关系等优点,解决了单模态表征能力弱、潜在关系常被忽视等问题。
(二)技术方案
为实现上述解决单模态表征能力弱、潜在关系常被忽视等问题的目的,本发明提供如下技术方案:基于图卷积网络的跨社交网络虚拟身份关联方法,包括以下步骤:
S1、用户特征提取
主要包括用户属性的用户名以及用户发表文本内容的特征提取,由于用户名可能包含字母、数字、特殊符号等多种多样的字符,因此,为了能更有效地提取用户名的特征,本发明对用户名采用字符级嵌入,对于用户发表的文本内容采用word2vec进行嵌入,对于提取到的用户名以及用户发表文本的特征进行拼接得到用户特征X。
S2、特征图和拓扑图构建
对于给定的社交网络N,将用户看成图的节点,将提取到的用户特征X作为图节点的属性,而用户与用户之间的社交关系看成图的边,得到的邻接矩阵记为A。基于X和A分别构建了特征图和拓扑图。
S3、节点嵌入
对于上述构建的特征图和拓扑图,为了进一步提取这两个图更深层次的特定特征以及共有特征,将其分别放入特定卷积层和共同卷积层,并利用注意力机制融合了各个层的特征得到每个节点的嵌入z。
S4、身份关联
经过以上步骤后可以得到社交网络N1,N2的嵌入Z1,Z2,将这两个嵌入进行拼接[Z1||Z2]并输入到MLP输出分类结果,即可判断来自两个社交网络的两个用户是否属于同一自然人。
优选的,所述步骤S1中,包括以下步骤:
S1.1针对用户属性,对用户名采用字符级嵌入得到Xc。
S1.2针对用户发表内容,对用户发表文本采用word2vec进行嵌入Xw。
S1.3对于提取到的用户名以及用户发表文本的特征进行拼接得到用户特征X。
优选的,所述步骤S1.1中,对于每个用户名,可以将其划分为唯一字符序列,例如“Bingo”就可以划分为w=′a′:0,′b′:1,′c′:0,...,o′:1,...,others:0.序列值表示的是每个字符的计数,因此,该用户名的计数加权向量就为ci=[0,1,0,...,1,...].由于用户名所含的字符种类可能较多,下一步将对ci利用自动编码器进行降维,将其带入如下公式:
hi=σe(Weci+be)
gi=σd(Wdhi+bd)
其中,σe为编码器,σd为解码器,We,be为编码器的权重和偏置,Wd,bd为解码器的权重和偏置。
优选的,所述步骤S2中,对于特征图Gf=(Af,X)的构建,节点的属性就为用户特征矩阵X,而对于邻接矩阵Af,首先计算X的相似矩阵S,S的每个元素Sij表示节点i和节点j特征向量的余弦相似性:
根据相似矩阵S,为每个节点选取前k个相似节点作为该节点的邻居构成特征图的边,最后得到特征图的邻接矩阵Af。
优选的,所述步骤S2中,拓扑图的特征矩阵也为X,邻接矩阵直接由每个用户的社交关系取得,即At=A,因此,拓扑图为Gt=(At,X)。
优选的,所述步骤S3中,在特定卷积层,将特征图Gf=(Af,X)和拓扑图Gt=(At,X)分别放入到图卷积网络中,这两个图卷积参数不一致:
经过特定卷积层后,可以输出特征图和拓扑图的特定嵌入ZF,ZT。
优选的,所述步骤S3中,在共同卷积层,将特征图Gf=(Af,X)和拓扑图Gt=(At,X)分别放入到共享相同参数的图卷积网络中:
然后将这两个嵌入进行加和取平均得到一个共同嵌入:
优选的,所述步骤S3中,在得到特征图和拓扑图的两个特定嵌入ZF,ZT以及一个共同嵌入ZC之后,利用注意力机制将其融合在一起。首先获得Zi的重要性值:
wi=qT·tamh(W·(Zi)T+b),i∈(F,T,C)
再经过softmax函数得到Zi的权重:
得到最终的嵌入为:
Z=αFZF+αTZT+αCZC
优选的,所述步骤S4中,社交网络N1,N2的嵌入Z1,Z2,将这两个嵌入进行拼接[Z1||Z2]并输入到MLP输出分类结果,即可判断来自两个社交网络的两个用户是否属于同一个人。MLP第l层输出为:
yl=ReLU(Wlyl-1+bl)
最后经过sigmoid函数输出分类结果:
yij=σ(Wyl+b)
其中,yij为分类结果,当yij为1时,表示用户i和用户j属于同一自然人,当yij为0时则不属于同一自然人。
(三)有益效果
与现有技术相比,本发明提供了基于图卷积网络的跨社交网络虚拟身份关联方法,具备以下有益效果:
1、该基于图卷积网络的跨社交网络虚拟身份关联方法,本发明通过用户属性、用户生成内容提取特征,用户的社交关系构建邻接矩阵,进一步构造了特征图和拓扑图,然后利用图卷积网络充分提取特征空间、拓扑空间以及这两者共同的更深层次的信息,并利用注意力机制综合了两个特定嵌入和一个共同嵌入,从而有效融合了用户属性、用户生成内容以及用户社交关系这三维度特征并挖掘了他们的潜在关系,解决单模态表征能力弱、潜在关系常被忽视等问题。
2、该基于图卷积网络的跨社交网络虚拟身份关联方法,旨在解决跨社交网络虚拟身份关联任务,首先利用社交网络用户属性、用户发表内容提取特征,根据每个用户特征的k近邻构建特征图,并且根据用户社交关系以及特征构建拓扑图,进一步将特征图和拓扑图放入到特定的卷积层进行特定嵌入,另一方面将这两个图放入到共同卷积层进行共同嵌入,然后利用注意力机制融合这三种嵌入,该方法能有效融合用户属性信息、用户生成内容以及用户社交关系三个维度的特征,并挖掘他们的潜在关系。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,基于图卷积网络的跨社交网络虚拟身份关联方法,包括以下步骤:
S1、用户特征提取
由于用户名可能包含字母、数字、特殊符号等多种多样的字符,因此,为了能更有效地提取用户名的特征,本发明对用户名采用字符级嵌入,首先对于每个用户名,可以将其划分为唯一字符序列,例如“Bingo”就可以划分为w=′a′:0,′b′:1,′c′:0,...,′o′:1,...,others:0.序列值表示的是每个字符的计数,因此,该用户名的计数加权向量就为ci=[0,1,0,...,1,...].由于用户名所含的字符种类可能较多,下一步将对ci利用自动编码器进行降维,将其带入如下公式:
hi=σe(Weci+be)
gi=σd(Wdhi+bd)
其中,σe为编码器,σd为解码器,We,be为编码器的权重和偏置,Wd,bd为解码器的权重和偏置。
该自动编码器的损失函数为:
L=∑||gi-ci||2
根据损失函数训练求得编码器的参数We,be,即得降维后的用户名特征为:
Xc=WeC+be.
对于用户发表文本,使用word2vec算法提取用户的文本特征得到Xw,最终将用户名特征以及用户发表文本的特征进行拼接得到用户的特征矩阵为:
X=concat(Xc,Xw).
S2、特征图和拓扑图构建
对于给定的社交网络N,将用户看成图的节点,将用户属性和用户发表内容提取的特征X作为图节点的特征,而用户与用户之间的社交关系看成图的边,记邻接矩阵为A。
对于特征图Gf=(Af,X)的构建,节点的属性就为用户特征矩阵X,而对于邻接矩阵Af,首先计算X的相似矩阵S,S的每个元素Sij表示节点i和节点j特征向量的余弦相似性:
根据相似矩阵S,为每个节点选取前k个相似节点作为该节点的邻居构成特征图的边,最后得到特征图的邻接矩阵Af。
拓扑图的特征矩阵也为X,邻接矩阵直接由每个用户的社交关系取得,即At=A,因此,拓扑图为Gt=(At,X)。
S3、节点嵌入
对于上述构建的特征图和拓扑图,为了进一步提取这两个图更深层次的特定特征以及共有特征,将其分别放入特定卷积层和共同卷积层。
在特定卷积层,将特征图Gf=(Af,X)和拓扑图Gt=(At,X)分别放入到图卷积网络中,这两个图卷积参数不一致:
经过特定卷积层后,可以输出特征图和拓扑图的特定嵌入ZF,ZT.
在共同卷积层,将特征图Gf=(Af,X)和拓扑图Gt=(At,X)分别放入到共享相同参数的图卷积网络中:
然后将这两个嵌入进行加和取平均得到一个共同嵌入:
在得到特征图和拓扑图的两个特定嵌入ZF,ZT以及一个共同嵌入ZC之后,利用注意力机制将其融合在一起。首先获得Zi的重要性值:
wi=qT·tamh(W·(Zi)T+b),i∈(F,T,C)
再经过softmax函数得到Zi的权重:
得到最终的嵌入为:
Z=αFZF+αTZT+αCZC
S4、身份关联
经过上述可以得到社交网络N1,N2的嵌入Z1,Z2,将这两个嵌入进行拼接[Z1||Z2]并输入到MLP输出分类结果,即可判断来自两个社交网络的两个用户是否属于同一个人。MLP第l层输出为:
yl=ReLU(Wlyl-1+bl)
最后经过sigmoid函数输出分类结果:
yij=σ(Wyl+b)
其中,yij为分类结果,当yij为1时,表示用户i和用户j属于同一自然人,当yij为0时则不属于同一自然人。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.基于图卷积网络的跨社交网络虚拟身份关联方法,其特征在于,包括以下步骤:
S1、用户特征提取
包括用户属性的用户名以及用户发表文本内容的特征提取,对用户名采用字符级嵌入,对于用户发表的文本内容采用word2vec进行嵌入,对于提取到的用户名以及用户发表文本的特征进行拼接得到用户特征X;
S2、特征图和拓扑图构建
对于给定的社交网络N,将用户看成图的节点,将提取到的用户特征X作为图节点的属性,而用户与用户之间的社交关系看成图的边,得到的邻接矩阵记为A,基于X和A分别构建了特征图和拓扑图;
S3、节点嵌入
对于上述构建的特征图和拓扑图,为了进一步提取这两个图更深层次的特定信息以及共有信息,将其分别放入特定卷积层和共同卷积层,并利用注意力机制融合了各个层的特征得到每个节点的嵌入Z;
在特定卷积层,将特征图Gf=(Af,X)和拓扑图Gt=(At,X)分别放入到图卷积网络中,这两个图卷积参数不一致:
其中,Af为特征图的邻接矩阵,At为拓扑图的邻接矩阵,X为用户特征矩阵;
经过特定卷积层后,可以输出特征图和拓扑图的特定嵌入ZF,ZT;在共同卷积层,将特征图Gf=(Af,X)和拓扑图Gt=(At,X)分别放入到共享相同参数的图卷积网络中:
然后将这两个嵌入进行加和取平均得到一个共同嵌入:
S4、身份关联
经过以上步骤后可以得到社交网络N1,N2的嵌入Z1,Z2,将这两个嵌入进行拼接[Z1||Z2]并输入到MLP输出分类结果,即可判断来自两个社交网络的两个用户是否属于同一自然人。
2.根据权利要求1所述的基于图卷积网络的跨社交网络虚拟身份关联方法,其特征在于,所述步骤S1包括以下步骤:
S1.1针对用户属性,对用户名采用字符级嵌入得到XC;
S1.2针对用户发表内容,对用户发表文本采用word2vec进行嵌入得到XW;
S1.3对于提取到的用户名以及用户发表文本的特征进行拼接得到用户特征X。
3.根据权利要求2所述的方法,其特征在于,所述步骤S1.1中,对于每个用户名,将其划分为唯一字符序列,对ci利用自动编码器进行降维,将其带入如下公式:
hi=σe(Weci+be)
gi=σd(Wdhi+bd)
其中,σe为编码器,σd为解码器,We,be为编码器的权重和偏置,Wd,bd为解码器的权重和偏置。
4.根据权利要求1所述的基于图卷积网络的跨社交网络虚拟身份关联方法,其特征在于,所述步骤S2中,对于特征图Gf=(Af,X)的构建,节点的属性就为用户特征矩阵X,而对于邻接矩阵Af,首先计算X的相似矩阵S,S的每个元素Sij表示节点i和节点j特征向量的余弦相似性:
根据相似矩阵S,为每个节点选取前k个相似节点作为该节点的邻居构成特征图的边,最后得到特征图的邻接矩阵Af。
5.根据权利要求1所述的基于图卷积网络的跨社交网络虚拟身份关联方法,其特征在于,所述步骤S2中,拓扑图的特征矩阵也为X,邻接矩阵直接由每个用户的社交关系取得,即At=A,因此,拓扑图为Gt=(At,X)。
6.根据权利要求1所述的基于图卷积网络的跨社交网络虚拟身份关联方法,其特征在于,所述步骤S3中,在得到特征图和拓扑图的两个特定嵌入ZF,ZT以及一个共同嵌入ZC之后,利用注意力机制将其融合在一起;首先获得Zi的重要性值:
wi=qT·tamh(W·(Zi)T+b),i∈(F,T,C)
再经过softmax函数得到Zi的权重:
得到最终的嵌入为:
Z=αFZF+αTZT+αCZC。
7.根据权利要求1所述的基于图卷积网络的跨社交网络虚拟身份关联方法,其特征在于,所述步骤S4中,社交网络N1,N2的嵌入Z1,Z2,将这两个嵌入进行拼接[Z1||Z2]并输入到MLP输出分类结果,即可判断来自两个社交网络的两个用户是否属于同一个人;MLP第l层输出为:
yl=ReLU(Wlyl-1+bl)
最后经过sigmoid函数输出分类结果:
yij=σ(Wyl+b)
其中,yij为分类结果,当yij为1时,表示用户i和用户j属于同一自然人,当yij为0时则不属于同一自然人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346348.0A CN114817757B (zh) | 2022-04-02 | 2022-04-02 | 基于图卷积网络的跨社交网络虚拟身份关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346348.0A CN114817757B (zh) | 2022-04-02 | 2022-04-02 | 基于图卷积网络的跨社交网络虚拟身份关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114817757A CN114817757A (zh) | 2022-07-29 |
CN114817757B true CN114817757B (zh) | 2023-07-21 |
Family
ID=82533566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210346348.0A Active CN114817757B (zh) | 2022-04-02 | 2022-04-02 | 基于图卷积网络的跨社交网络虚拟身份关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114817757B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776193A (zh) * | 2023-05-17 | 2023-09-19 | 广州大学 | 基于注意力机制的跨社交网络虚拟身份关联方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095948A (zh) * | 2021-03-24 | 2021-07-09 | 西安交通大学 | 一种基于图神经网络的多源异构网络用户对齐方法 |
CN113159976A (zh) * | 2021-05-13 | 2021-07-23 | 电子科技大学 | 一种微博网络重要用户的识别方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210136120A1 (en) * | 2015-10-28 | 2021-05-06 | Qomplx, Inc. | Universal computing asset registry |
CN109636658B (zh) * | 2019-01-17 | 2022-05-06 | 电子科技大学 | 一种基于图卷积的社交网络对齐方法 |
CN109934118A (zh) * | 2019-02-19 | 2019-06-25 | 河北大学 | 一种手背静脉身份识别方法 |
US11875114B2 (en) * | 2019-10-25 | 2024-01-16 | Servicenow Canada Inc. | Method and system for extracting information from a document |
CN113254683B (zh) * | 2020-02-07 | 2024-04-16 | 阿里巴巴集团控股有限公司 | 数据处理方法及装置、标签识别方法及装置 |
CN111739517B (zh) * | 2020-07-01 | 2024-01-30 | 腾讯科技(深圳)有限公司 | 语音识别方法、装置、计算机设备及介质 |
CN111832468B (zh) * | 2020-07-09 | 2024-07-05 | 平安科技(深圳)有限公司 | 基于生物识别的手势识别方法、装置、计算机设备及介质 |
EP4208856A1 (en) * | 2020-08-13 | 2023-07-12 | PAIGE.AI, Inc. | Systems and methods to process electronic images for continuous biomarker prediction |
CN111814921B (zh) * | 2020-09-04 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 对象特征信息获取、对象分类、信息推送方法及装置 |
CN113269647B (zh) * | 2021-06-08 | 2022-11-18 | 上海交通大学 | 基于图的交易异常关联用户检测方法 |
CN113434782B (zh) * | 2021-06-28 | 2022-03-01 | 杭州师范大学钱江学院 | 基于联合嵌入学习模型的跨社交网络用户身份识别方法 |
CN113486751B (zh) * | 2021-06-29 | 2023-07-04 | 西北大学 | 一种基于图卷积和边缘权重注意力的行人特征提取方法 |
CN113779520B (zh) * | 2021-09-07 | 2023-06-13 | 中国船舶重工集团公司第七0九研究所 | 基于多层属性分析的跨空间目标虚拟身份关联方法 |
-
2022
- 2022-04-02 CN CN202210346348.0A patent/CN114817757B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095948A (zh) * | 2021-03-24 | 2021-07-09 | 西安交通大学 | 一种基于图神经网络的多源异构网络用户对齐方法 |
CN113159976A (zh) * | 2021-05-13 | 2021-07-23 | 电子科技大学 | 一种微博网络重要用户的识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114817757A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017211051A1 (zh) | 目标对象的社交账号挖掘方法、服务器和存储介质 | |
CN109344326B (zh) | 一种社交圈的挖掘方法和装置 | |
CN111061843A (zh) | 一种知识图谱引导的假新闻检测方法 | |
CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
CN109829353B (zh) | 一种基于空间约束的人脸图像风格化方法 | |
CN111815468B (zh) | 一种基于用户身份关联的多源社交网络构建方法 | |
CN108647800B (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
CN111724400B (zh) | 视频自动抠像方法及*** | |
CN113222775B (zh) | 融合多模态信息及权重张量的用户身份关联方法 | |
CN109960755B (zh) | 一种基于动态迭代快速梯度的用户隐私保护方法 | |
CN114817757B (zh) | 基于图卷积网络的跨社交网络虚拟身份关联方法 | |
KR101224312B1 (ko) | 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법, 이를 위한 기록 매체 및 이를 이용하는 소셜 네트워킹 서비스 및 서버 | |
CN114694185B (zh) | 一种跨模态目标重识别方法、装置、设备及介质 | |
CN114581254A (zh) | 一种多特征融合的跨社交网络用户身份关联方法 | |
CN112836139A (zh) | 融合用户特征和嵌入学习的跨社交网络用户身份关联方法 | |
CN114283315A (zh) | 一种基于交互式引导注意力和梯形金字塔融合的rgb-d显著性目标检测方法 | |
CN108052683B (zh) | 一种基于余弦度量规则的知识图谱表示学习方法 | |
CN114461943B (zh) | 基于深度学习的多源poi语义匹配方法、装置及其存储介质 | |
CN114092354A (zh) | 一种基于生成对抗网络的人脸图像修复方法 | |
CN116383470B (zh) | 一种具有隐私保护的图像搜索方法 | |
Valehi et al. | A graph matching algorithm for user authentication in data networks using image-based physical unclonable functions | |
CN113779520B (zh) | 基于多层属性分析的跨空间目标虚拟身份关联方法 | |
CN114782209B (zh) | 一种基于社交网络拓扑图的关联用户身份识别方法 | |
CN116452798A (zh) | 基于掩码可分离注意力机制的伪装目标分割方法及*** | |
Radiano et al. | Story albums: Creating fictional stories from personal photograph sets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |