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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于图机器学习的级联流行度预测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：CN116610995B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202310552165.9，技术领域涉及：G06F18/241；该发明授权一种基于图机器学习的级联流行度预测方法是由宋卫健;焦鹏飞;张纪林;唐会军;鲍青设计研发完成，并于2023-05-17向国家知识产权局提交的专利申请。

本一种基于图机器学习的级联流行度预测方法在说明书摘要公布了：本发明公开了一种基于图机器学习的级联流行度预测方法，包括如下步骤：S1、导入原始数据集，划分为训练集和测试集，并定义级联数据；S2、通过基于自增强的数据强化算法生成新的级联数据；S3、通过图表示学习算法对级联传播网络中的用户进行网络嵌入，得到每个用户的网络嵌入，即为每一个用户节点生成一个低维的嵌入向量；S4、设计计算级联流行度的损失函数，从而构建级联流行度预测模型，通过所述训练集对基于对比学习的级联流行度预测模型进行训练，S5、将所述测试集输入经训练的级联流行度预测模型中，通过经训练后的级联流行度预测模型得到级联的流行度预测结果。该方法是一种端到端的新框架，可以同时对信息级联的内部与外部属性进行建模。

本发明授权一种基于图机器学习的级联流行度预测方法在权利要求书中公布了：1.一种基于图机器学习的级联流行度预测方法，其特征在于，包括如下步骤： S1、导入原始数据集，划分为训练集和测试集，并定义级联； 所述级联定义为： ； 其中，为观测时间，为用户在时间参与到级联中，为参与级联的用户的数量； 通过级联定义级联图： 对于级联，其对应的级联图为，其中为节点集合，为边的集合，表示级联中节点间的转发关系； 通过级联定义级联间图： ； 其中为节点集，包含数据集中所有节点，表示节点间的转发关系 S2、通过基于自增强的数据强化算法生成新的级联； 具体方法为： 所述级联图为，其对应的级联为，基于观测时间计算快照观测时间： ； 其中p为预先设置的超参数，基于快照观测时间以及原始级联，可以得到与原始级联对应的增强级联以及增强级联图； S3、通过图表示学习算法对级联传播网络中的用户进行网络嵌入，得到每个用户的网络嵌入，即为每一个用户节点生成一个低维的嵌入向量； 所述图表示学习算法对级联传播网络中的用户进行网络嵌入的方法包括基于RWPE的在级联间图上的整体结构学习和基于GRAPHWAVE的级联图表示学习； 所述基于RWPE的在级联间图上的整体结构学习：生成级联间图上的随机游走矩阵RW=AD-1，其中A为级联间图的邻接矩阵，D为A的度矩阵，根据随机游走矩阵RW，计算节点的嵌入向量为： ； 其中，k为预先设置的超参数； 所述基于GRAPHWAVE的级联图表示学习：基于以节点为中心的谱图小波的扩散，学习每个节点的结构嵌入； S4、设计计算级联流行度的损失函数，从而构建级联流行度预测模型，通过所述训练集对基于对比学习的级联流行度预测模型进行训练； 所述级联流行度预测模型使用对比损失作为基于对比学习的级联流行度预测模型的预训练阶段的损失函数；使用均方对数误差作为级联流行度预测模型的微调阶段的损失函数，设置超参数，使用自适应动量估计Adam优化器；设置初始学习率、训练批大小和总训练次数t，其中，所述级联流行度预测模型基于循环神经网络GRU实现，并采用多层感知机作为分类器，具体步骤为： ； 其中，为可训练的参数，tanh表示双曲正切激活函数，表示GRU的隐藏层向量，为当前时间步的输入，σ表示非线性激活函数； S5、将所述测试集输入经训练的级联流行度预测模型中，通过经训练后的级联流行度预测模型得到级联的流行度预测结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。