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！

龙图腾网获悉重庆邮电大学申请的专利基于纵向联邦和典型相关性分析的动态社交网络对齐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：CN119887427B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202510069611.X，技术领域涉及：G06Q50/00；该发明授权基于纵向联邦和典型相关性分析的动态社交网络对齐方法是由王蓉;吕娜;陈莉;乐俊;李茜;段思睿;肖云鹏设计研发完成，并于2025-01-16向国家知识产权局提交的专利申请。

本基于纵向联邦和典型相关性分析的动态社交网络对齐方法在说明书摘要公布了：本发明属于社交网络分析领域，具体涉及一种基于纵向联邦和典型相关性分析的动态社交网络对齐方法，包括：通过动态时空图自编码记忆模型、注意力机制模拟用户时空关系，得到用户关系矩阵；构建用户属性矩阵，并融合用户关系矩阵，得到用户矩阵；通过基于联邦学习的训练模型，将平台X、Y的用户特征矩阵输入到模型中进行训练，得到跨域用户对齐的预测结果。本发明针对用户关系的时序特性，结合动态关系表示更新与建模，并融合其他非时序特征进行跨平台用户对齐预测，通过该方法，可以有效解决跨域数据隐私泄露和社交网络动态性等问题，最终实现精准的跨平台网络用户对齐。

本发明授权基于纵向联邦和典型相关性分析的动态社交网络对齐方法在权利要求书中公布了：1.一种基于纵向联邦和典型相关性分析的动态社交网络对齐方法，其特征在于，包括： S1、通过动态时空图自编码记忆模型、注意力机制模拟用户时空关系，得到用户关系矩阵； 所述动态时空图自编码记忆模型由GAE网络和LSTM单元构成； S2、构建用户属性矩阵，并融合用户关系矩阵，得到用户矩阵； S3、通过基于联邦学习的训练模型，将平台X、Y的用户特征矩阵输入到模型中进行训练，得到跨域用户对齐的预测结果； 将平台X、Y的用户特征矩阵输入到模型中进行训练，得到跨域用户对齐的预测结果，包括： S31、将用户矩阵UX和UY作为模型训练的输入，根据损失函数LCCA，将平台X、Y双方作为源域和目标域进行联邦训练，直到算法收敛； S32、第三方服务器根据典型相关性分析CCA计算网络最大相关性，再根据余弦相似度计算用户之间相关性系数，预测出潜在的锚用户对，即对齐用户； 将用户矩阵UX和UY作为模型训练的输入，根据损失函数LCCA，将平台X、Y双方作为源域和目标域进行联邦训练，包括： S311、初始化模型参数：平台X初始化投影矩阵 平台Y初始化投影矩阵其中，表示投影矩阵WX的第i个投影向量，表示投影矩阵WY的第i个投影向量； S312、平台X计算典型变量矩阵GX＝UXWX，将GX加密后发送给平台Y；其中，UX表示平台X的用户矩阵； S313、平台Y计算典型变量矩阵GY＝UYWY，使用接收到的加密GX和本地的GY安全地联合计算加密的交叉协方差矩阵[[CXY]]；计算加密的残差[[d]]＝[[GX-GY]]；其中，d表示用于表示两个典型变量矩阵之间差异的残差，[[]]表示对数据进行加密，UY表示平台Y的用户矩阵； S313、求解加密梯度：平台X和Y根据损失函数LCCA，计算加密梯度： 其中，表示偏导数，LCCA表示损失函数LCCA，CXY表示X和Y之间的交叉协方差矩阵，CXX表示X的协方差矩阵，CYY表示Y的协方差矩阵，T表示矩阵转置； S315、将求解的加密梯度上传到可信的第三方服务器进行解密，解密后的梯度分别返回给平台X和Y，平台X和Y分别根据解密后的梯度采用梯度下降更新各自的投影矩阵WX和WY： 其中，η表示学习率，t表示当前的训练轮次，t+1表示下一个训练轮次。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路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”。

以上内容由龙图腾AI智能生成。