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！

龙图腾网获悉东南大学申请的专利一种适用于多重产业链的企业协作团体发现系统及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：CN116776180B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202310633896.6，技术领域涉及：G06F18/2337；该发明授权一种适用于多重产业链的企业协作团体发现系统及方法是由蒋嶷川;胡相慧设计研发完成，并于2023-05-31向国家知识产权局提交的专利申请。

本一种适用于多重产业链的企业协作团体发现系统及方法在说明书摘要公布了：本发明公开了一种适用于多重产业链的企业协作团体发现系统及方法，其中系统包括企业特征提取模块和多视图聚类模块，企业特征提取模块通过非负矩阵因子分解技术实现；多视图聚类模块包含固有特征和拓扑特征的两类可见‑隐形视图的加权整合、基于个体的空间拓扑关系以及通过模糊划分得到的个体的从属模式趋向的多视图学习约束。本发明可同时挖掘企业两类可见‑隐形视图信息，包括固有特征视角特有可见的和共享隐形的信息，以及企业连接关系带来的拓扑特征视角特有可见的和共享隐形的信息，并完成了两类视角的合作学习，获得较好的企业协作团体发现结果。

本发明授权一种适用于多重产业链的企业协作团体发现系统及方法在权利要求书中公布了：1.一种适用于多重产业链的企业协作团体发现系统，其特征在于，包括企业特征提取模块和多视图聚类模块，所述特征提取模块用于获得企业可见固有特征视图间的共享隐形固有特征视图以及企业间的连接关系带来的共享隐形拓扑特征视图和各视图特有的可见拓扑特征视图，利用固有特征视图和拓扑特征视图这两类视图的协同学习完成多重产业链中的企业协作团体发现； 所述企业特征提取模块是基于非负矩阵因子分解NMF技术抽取企业共有的隐形固有特征、隐形拓扑特征以及在各层产业链中特有的可见拓扑特征，完成两类视图的企业特征建模；因为企业的固有特征X[k]可能存在负值，为了使用NMF技术，需要将X[k]标准化使得其中每个元素是非负的；然后基于NMF技术，能建立如下目标函数来提取各个视图共有的隐形固有特征视图信息： 其中是映射矩阵，用于映射固有隐形空间的数据，即B∈Rr×N，到第k视图的特征空间；r表示m个固有特征空间共享的隐形空间特征数，满足1≤r≤min{d[1],…,d[m]}； 通过最小化目标函数得到的对应最优解B即能完成企业共有的隐形固有特征提取； 拓扑特征的提取运用NMF技术对多重产业链中存在的企业拓扑关系W降解为共有隐形拓扑特征和每层产业链下具有的可见拓扑特征，具体通过最小化目标函数来实现： 其中H[k]∈RN×l是每层视图特有的可见拓扑特征空间，S∈Rl×N是所有视图共享的隐形拓扑特征空间；l是拓扑特征空间的维度；最小化得到的最优解H[k]和S就是企业可见及隐形拓扑特征提取结果； 所述多视图聚类模块通过所述的企业特征提取模块获得固有特征空间共享的隐形空间B和可见拓扑特征空间H及其隐形空间S以及已知的可见固有特征空间X，这两类视图协同学习的多视图聚类算法获得多重产业链中的企业协作团体；已有的多视图模糊聚类算法缺乏聚类对象固有特征和拓扑特征的融合而出现聚类结果不够准确的问题；因此，重新定义多视图模糊聚类算法的目标函数如下所示： 其中C是企业协作团体的个数，N是整个多重产业链复杂系统包含的企业总数，uij是企业xj隶属于团体i的程度；团体i也分为固有特征向量qi和拓扑特征向量pi；η和1‑η分别衡量固有特征视图和拓扑特征视图的重要程度，提前设定；和φ＝[φ1,φ2,…,φm+1]分别是不同固有特征视图和不同拓扑特征视图的权重向量，各自包含m个可见视图和1个隐形视图，其值可在学习过程中自适应调整；隐形视图数据X[m+1]＝B和H[m+1]＝S已提前获得； 对以上聚类目标函数进行迭代优化，可获得最优模糊划分矩阵U，其中每个元素uij表示企业j的特征和企业协作团体i的符合程度，其值越大表示该企业和该团体内的成员连接度越高，企业特征是越相似的，所以每个企业的企业协作团体归属可表示为labelxj＝arc maxuiji＝1,…,C，即模糊划分最大值对应的协作团体；而整个多重产业链网络中的每个企业协作团体可表示为元组Πi＝qi,pi,Υi,i＝1,…,C；其中qi和pi分别是最优化目标函数获得的企业协作团i的固有特征和拓扑特征，Υi＝{j:labelxj＝i}表示隶属于团体i的企业集合；至此适用于多重产业链中企业协作团体发现的多视图聚类算法‑DVHVC‑MVFC设计完成； 所述多视图聚类算法的设计方法如下： 1固有特征视图和拓扑特征视图的协同学习：目标函数的第一项是已有多视图模糊聚类算法的优化，增加了拓扑特征视图的考量，并通过参数η控制这两类视图对聚类的影响程度； 通过划分矩阵U来限制多个可见视图和1个隐形视图的统一性，同时以各层视图中个体和聚类中心的距离来利用各个企业特有信息；该方式能自适应实现固有特征视图和拓扑特征视图的协同学习； 2基于网络最小绝对收缩率和选择算子LASSO机制的协同学习：目标函数中的第二项引用了网络LASSO机制来进一步增强不同视图之间的学习；向量uj和uz是企业i和z所有2m个可见视图和2个隐形视图共享的统一划分信息；是所有视图的拓扑关系的融合；通过最小化网络LASSO项，能尽可能吸收不同视图中个体相对于连接的邻接节点的隶属度，以此显性考虑各企业间的连接关系； 3视图权重的自适应学习：第三项表示的是非负香农熵，用于平衡各视图的重要性以及协调它们之间的不同；从最优化的角度来说，如果去掉该项，明显具有区别性的视图的重要性会无限接近于1，而其它视图的重要性会被忽略不计； 另外，直接最小化这项会使得各视图的重要度相等；通过设置惩罚因子ζ1和ζ2来平衡这些影响，不同视图的权重就可以自适应调整。

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东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼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”。

以上内容由龙图腾AI智能生成。