买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种基于多视角图学习的引文网络骨架构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115759198B 。

龙图腾网通过国家知识产权局官网在2025-08-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211439716.2，技术领域涉及：G06N3/0464；该发明授权一种基于多视角图学习的引文网络骨架构建方法是由刘嘉莹;孙玉涛设计研发完成，并于2022-11-17向国家知识产权局提交的专利申请。

本一种基于多视角图学习的引文网络骨架构建方法在说明书摘要公布了：本发明公开了一种基于多视角图学习的引文网络骨架构建方法，利用多视角图学习方法将引文网络中节点的外部属性信息、网络结构以及节点之间的多种关系有效结合，并引入注意力机制为不同节点、属性分配不同权重，对重要节点进行特征学习，实现精准的节点表征。进一步利用利用随机游走思想，度量论文节点的相互影响，反映知识的传播与应用。本发明的实验结果也验证了引文网络骨架构建有助于细粒度展示引文网络中节点之间的知识传递关系，更加客观地体现引文网络中知识的传播、利用与创新，同时实验结果也能够良好的反映网络的组成和结构。本发明提供了学术引用网络中骨架网络构建的一种新方法，为研究引文网络提供了一种新的解决方案。

本发明授权一种基于多视角图学习的引文网络骨架构建方法在权利要求书中公布了：1.一种基于多视角图学习的引文网络骨架构建方法，其特征在于，包括以下步骤： （1）基于论文之间的引用关系、共被引关系以及共关键字关系构建多层关系网络； （2）基于步骤（1）构建的多层关系网络识别其中的重要节点 2.1）属性视图特征学习 2.1.1）基于构建的多层关系网络获取节点的外部属性信息，包括影响论文重要程度的因素-论文所发表期刊的影响因子、论文所有作者的平均引用量、论文的话题流行度以及论文参考文献的平均引用量；论文所有作者的平均引用量计算公式为： ， 其中，为论文所有作者的集合，为作者的引用量，为数据集中第篇论文； 基于热门方向的论文往往会受到更多学者的关注，提出话题流行度TP指标，计算公式为： ， 其中，为论文中的某一关键字，为关键字出现的次数，是论文中关键字集合，关键字是论文集合中所有关键字集合，是关键字出现的次数；参考文献的平均引用量是衡量参考文献质量的直观指标，计算公式为： ， 其中，为论文中参考文献的数量，为参考文献的引用量； 利用论文所发表期刊的影响因子、论文所有作者的平均引用量、论文的话题流行度以及论文参考文献的平均引用量构成属性特征矩阵； 2.1.2）利用步骤2.1.1）获取的属性特征矩阵计算属性视图下节点表征；节点的重要度不仅与自身属性相关，还与网络中其他节点，邻居节点对它的贡献度相关；为有效融合邻居节点的贡献，采用图卷积神经网络，通过学习函数实现属性特征聚合，其中是构建的多层关系网络中的引文网络，是属性视图特征学习的参数，在第层卷积层中，属性特征聚合的输出表示为： ， 其中，，是论文引用网络的邻接矩阵，是单位矩阵；是的对角度矩阵，计算公式为：，表示矩阵中第行第列个元素，表示矩阵中第行第列元素；是第层卷积层的训练参数，是激活函数；当时，输入是属性特征矩阵，即；为充分度量每个邻居节点的重要性差异，利用注意力机制，为每个邻居节点学习不同的权重；在第层卷积层，节点之间的相关性矩阵表示为： ， 其中，是节点自身的训练参数；是邻居节点的训练参数；是邻接矩阵与参数的乘积运算，表示传播能力；是Sigmod激活函数，即；最后整个网络的相关系数矩阵通过计算节点之间的相关性矩阵得到： ， 其中，代表论文节点所有邻居节点集合；用将原始的网络相关系数矩阵替换，实现在卷积的过程中为不同邻居节点分配不同权重； 2.2）结构视图特征学习 2.2.1）基于构建的多层关系网络获取网络的结构特征信息，包括节点的度、节点的介数、接近中心性以及节点的聚类系数，计算得出引用网络的结构特征； 2.2.2）利用步骤2.2.1）获取的结构特征矩阵计算结构视图下节点表征，采用卷积操作计算结构特征视图的最终表示，卷积过程如下： ， 其中，，在结构视图特征学习中，第层卷积层节点之间相关性矩阵表示为： ， 最后整个图的相关系数矩阵为； 2.3）关系视图特征学习 2.3.1）基于构建的多层关系网络获取多层网络邻接矩阵集合，保存在关系视图下节点间的连接关系，表示构建的多层关系网络的层数； 2.3.2）利用步骤2.3.1）获取的关系特征矩阵计算关系视图下节点表征；采用协同训练的方式，最大化不同关系视图间的相互一致性，减少计算复杂度，获取多关系视图下节点的表示；将聚合多层网络的拉普拉斯矩阵表示为，其中是每一种关系视图的权重，每种关系视图下的拉普拉斯矩阵为，其中是的度矩阵，计算公式为：；在每种关系视图下，加入节点的自连接以保存节点自身的结构特征： ， 其中，，，将每种关系视图下的拉普拉斯矩阵形式化为；动态调整每一种关系下的拉普拉斯矩阵权重以实现联合学习，定义；权重参数的计算公式为： ， 代表在关系视图下节点的表示，在层其计算公式为： ， 基于协同训练的思想，计算关系视图下节点的最终表示：； 2.4）多视图聚合；在聚合节点最终表示时，为了有效融合属性特征表示、结构特征表示与关系特征表示，采用注意力机制学习不同视图的重要度： ， 其中表示视图下特征学习的最终输出，表示在聚合最终表示时视图的重要度，计算公式为： ， 其中，是视图的特征向量； 2.5）重要节点标签预测；将得到的最终节点的表示作为SoftMax分类器的输入，使用SoftMax分类器识别重要节点，将分类结果与SIR模拟实验得出的节点重要度排序结果进行比较，以优化负对数似然损失函数；最终基于分类的交叉熵损失函数为： ， ， 其中，是节点的真实标签，是预测节点标签为的概率值，，分别为模型在类别和的分类参数； 2.6）重要节点标记；使用步骤2.5）中预测的节点标签，标记网络中的重要节点； （3）基于步骤（2）识别的重要节点构建骨架网络 3.1）以每篇论文的参考文献构成该节点的母节点集合，引用的论文构成该节点的后代集合，论文的母节点对的影响力用表示，表示论文与之间的相似性；将集合中的论文看作是的同伴，若论文与其同伴集合中的论文相似度越高，则母节点对的影响越大； 3.2）采用随机游走的思想衡量两篇论文的相似性；从节点到节点的两步随机游走经过他们的共同参考文献，这种情况下对的贡献为： ， 3.3）计算从节点到节点的两步随机游走概率度量两篇论文的相似性： ， 3.4）线性聚合和，计算母节点对其子节点的影响： ， 3.5）其对每篇中心论文，根据值的大小，保留对节点影响最大的母节点，加入骨架网络中； 3.6）对骨架网络中的节点重复执行步骤3.1）~3.5），构建引文网络骨架。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路２号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。