- 博客(49)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 【论文阅读】ToupleGDD: A Fine-Designed Solution of Influence Maximization by Deep Reinforcement Learning
• 如果节点u首先在时间戳t被激活，那么u将尝试在时间戳t + 1激活其未激活的外邻居v，成功率为puv。• I(S)扩散过程终止时激活的节点数，σ (S)为S能激活的节点数。• （u，v）：u是v的in-neighbor，v是u的out-neighbor。学习拓扑信息，学习级联效应，利用设计的随机游走方式学习节点的局部和全局影响力。• 初始，种子集S中的所有节点为激活状态，其余节点为非激活状态;以S≤b的小节点集S作为种子，其影响范围最大。3. K回合迭代，使用嵌入构造参数化函数Q（v，S，Θ）
2023-06-07 14:51:39
395
1
原创 【项目笔记】若干基本社团发现算法介绍
Definition：从源节点S到各节点最短路径中，经过该边的路径数。（1）初始化网络，开始网络有n 个社区，初始化的eij 和 ai。（4）重复执行步骤（2）和（3），直至整个网络合并成一个社区。（2）依次按照∆Q的最大或者最小的方向进行。
2023-05-14 19:28:28
626
1
原创 SEAL链路预测代码函数功能
在训练和测试链接的自定义分割上运行SEAL，其中“PB_train.txt”的每一行是一个观察到的训练链接，“PB_test.txt”的每一行是一个未观察到的测试链接。注意，“PB_train.txt”中的链接将用于构建观测到的网络，但“PB_train.txt”中的所有链接都不需要训练SEAL，特别是当观测到的链接数量很大时。仍然使用“PB_train.txt”和“PB_test.txt”中的正训练和测试链接，但使用“PB. txt”中包含的网络。
2023-03-27 19:58:46
1651
1
原创 【毕设记录】犯罪传播模型
再根据性别年龄户籍现居地定义他们之间的关系（夫妻，老乡，同学同事之类的）。因而本文利用社团信息优化链路预测精度，提取社团信息的方法有：1)重叠社团发现算法Link-community 2)基于模块度优化的社团发现算法（因此构造两种预测方法）3.由于要实现动态链路预测，因此需要对第二步的图进行不同时刻的节点增删修剪（第二步的图是基于现有的5w人实现的）。经研究，社团信息对链路预测有影响（例如在基于节点相似度的链路预测方法中，预测精度随着网络的簇结构数量的增长而增长）5.走私-重点上访（记为S）是朋友关系。
2023-03-14 17:21:53
125
原创 【论文阅读】社交网络识别影响力最大节点方法综述-05
识别关键节点的一个主要目的是找出在某些特定的动力学过程中起关键作用的节点。因此，一个节点或一组节点对某些给定动力过程的影响通常被视为关键节点的标准。例如，对于任意一个节点，将该节点设置为受感染的种子，然后基于(SIR)模型，将曾经受感染的节点总数作为量化该节点重要性的度量标准。对于给定的动力学，在不同的动力学参数下，结构中心性的表现也相差甚远。所以不能构建统一模型。
2022-12-12 16:06:13
2067
2
原创 【论文阅读】社交网络传播最大化问题-04
影响力最大化：在社交网络中找到一小部分能够最大化传播影响力的节点(种子节点)。一是改进原有的贪心算法，进一步缩短其运行时间二是提出新的degree-discount（度折扣）启发式，改善影响传播。实验结果表明:（a）改进的贪心算法，在影响扩散匹配的情况下，获得了更好的运行时间（b）程度折扣启发式比经典的基于程度和中心的启发式获得了更好的影响扩散;当对特定的影响级联模型进行优化时，与贪心算法的影响线程几乎匹配。更重要的是。
2022-11-23 22:27:08
899
原创 【论文阅读】社交网络传播最大化问题-03
我们需要解决的问题是在网络中检测非重叠的社区结构及其领导者。为方便起见，我们利用无权无向图作为研究对象。
2022-11-23 10:53:10
545
1
原创 【论文阅读】社交网络传播最大化问题-02
邻接矩阵A∈R n×n来表示网络的拓扑信息 当且仅当节点i和j之间存在边时，Aij = 1，否则Aij = 0属性信息矩阵W∈R n×m，其中n为节点个数，m为特征个数 在这个矩阵中，Wij是节点i的第j个特征 如果节点i具有属性j，则Wij =1，否则Wij = 0无向无权图中，定义节点u的拓扑邻居用拓扑邻居定义Jaccard相似系数J(i, J)（Jaccard相似系数的值越高，节点之间的相似度越高）由网络的邻接矩阵A得到节点关系矩阵R∈R n×n，其中Rij取J(i, J)的值。
2022-11-22 09:06:57
540
1
原创 【论文阅读】社交网络传播最大化问题-01
问题定义：构建传播最大化模型（最大化末态时的激活节点数量 ）& 确定最具影响力节点思考问题：定义参数：问题瓶颈：解决角度：解决方案：综合考虑节点的度 & 局部优化 两个因素（ local node optimization & degree discount）优化以往算法的不足，提升传播范围 & 时间计算效率（减少获得候选节点集 & 节点选择 的时间）指标根据激活概率，激活节点激活其邻居节点每个节点拥有激活阈值，累加超过激活阈值则被激活。u对v的传播概率 = uv边的权重 / v的入度（影响v的节点总数）
2022-11-20 10:01:11
770
原创 SKT卫星仿真软件11.01+Starlink+Python/Matlab（内有网盘安装包+视频网站教程）
现代卫星通信系统Startlink星座路由设计与仿真
2022-07-18 12:14:04
8795
4
原创 【安装教程】夜神模拟器+抓包工具mitmproxy
夜神模拟器官网下载应用商城搜索“小红书”下载软件即可python 安装 mitmproxy1.安装Microsoft Visual buildtools链接：https://pan.baidu.com/s/1GyLNOOydBoOtNBdk8NFtQA?pwd=1t3b提取码：1t3biso文件解压缩后运行exe文件，选择默认安装方式2. cmd命令下载mitmproxypip install mitmproxy 3.配置mitmproxy证书cmd 命令mitmdumpC:\U
2022-06-12 10:11:13
1413
原创 【节点分类】python实现：4种(GNN,GAN,SAGE,APPNP)图神经网络（-dgl库-pytorch-cuda-）
信息系统建模作业，要求是使用四种不同的节点表征方法两个3k+数据集环境：pytorch cuda11.1 dgl-0.6.1（cuda环境配置指路：我发的第一篇文章）dgl库各种网络功能介绍：https://zhuanlan.zhihu.com/p/161853672参考代码资料：GNNGATSAGE数据集：CiteSeer PubMedGATConv注意力机制SAGEConv采样聚类适用于大规模图APPNPConv-PageRank的改良版本分类结果...
2022-06-12 10:08:34
4068
原创 【论文阅读】Deep Neural Networks for Learning Graph Representations | day14，15
《Deep Neural Networks for Learning Graph Representations》- (AAAI-16)-2016文章目录一、模型1.1解决了两个问题1.2优点二、背景知识2.1DeepWalk中的未加权图随机采样法2.2 两种从线性结构数据中学习词语表示的线性方法2.2.1Skip-gram with Negative Sampling带负抽样的跳跃图2.2.2 PMI matrix 结合 SVD 使用2.2.3深度神经网络三、DNGR模型3.1随机冲浪模型3.2优点
2022-02-01 04:00:41
421
2
原创 【论文阅读】Adaptive Sampling Towards Fast Graph Representation Learning | day12（补）13
《面向快速图表示学习的自适应采样》2018-11-19文章目录1.待解决的问题2.解决方法-采样3.本文提出的快速训练方法3.1模型3.2与相关工作的对比3.3模型定义3.4模型步骤3.4.1节点抽样 -> 分层抽样3.4.2显性方差减少构造抽样器1.待解决的问题 一种自适应分层采样方法来加速GCNs的训练。解决GNNs的不可扩展问题（计算卷积需要跨层递归扩展邻域，计算量大，占内存。传统的小批量训练无法提高卷积计算的速度，因为每批训练都会涉及大量的顶点，即使批处理的大小很小）2.解决方法-采
2022-01-29 22:48:32
2462
原创 【论文阅读】Variational Graph Auto-Encoders(VGAE) | day10、11
Variational Graph Auto-Encoders 变分图自动编码器 - 2016-11-21文章目录一、模型1.定义2.变分自编码器相关知识3.推断模型-编码器4.生成模型-解码器5.学习过程 变分图自编码器VGAE：使用变分自编码器VAE，针对图结构数据，构建无监督学习模型。利用潜在变量，学习无向图的可解释的潜在表示。 基于引文网络构造的无监督VGAE模型的潜在空间。灰色线条表示引用连接，彩色点表示不同类型的论文。一、模型 该模型由一个卷积神经网络的编码器，和一个简单的内置
2022-01-27 19:44:49
2246
原创 【论文阅读】Diffusion-Convolutional Neural Networks (DCNNs) | day9、10
30th Conference on Neural Information Processing Systems (NIPS 2016)文章目录一、介绍 优势：二、模型三、缺点用于图结构化数据的神经网络——扩散神经网络。该网络可从图结构化数据中获得基于扩散的特征表示。基于此，可实现节点的分类。优点：可以获得同构结构下不变的图结构的潜在表示。可以以张量运算的方式在GPU上进行预测和学习。在节点分类任务中的表现优于概率关系模型和基于图的核方法。一、介绍 通过引入“扩散卷积 diffu
2022-01-25 22:48:54
1830
原创 【*项目调研+论文阅读】SVM-BILSTM-CRF模型SVM-BILSTM-CRF模型 | day7
《基于SVM-BILSTM-CRF模型的财产纠纷命名实体识别方法》2018-《计算机系统应用》文章目录一、SVM-BiLSTM-CRF 模型1.SVM2.Bi-LSTM3.CRF二、实验1.构建数据集2.寻找触发词3.构建适用于财产纠纷的四词位法SVM 筛选出包含关键命名实体的句子句子转化为字符级向量作为输入构建适合财产纠纷领域的BiLSTM -CRF 深层神经网络模型一、SVM-BiLSTM-CRF 模型1.SVM 查询词向量表，将语句转换成相应的词向量序列。输入 SVM 判断。 如果不
2022-01-22 21:33:29
665
1
原创 【项目调研+论文阅读】Lattice LSTM神经网络医学文本命名实体识别 | day7
《Lattice LSTM神经网络法中文医学文本命名实体识别模型研究》2019文章目录一、模型步骤1.Lattiice-LSTM分词+表征词汇2.LSTM-CRF 经证实，英文NER的最高水准是使用LSTM-CRF模型。中文NER使用基于字的分词比基于词的分词效果好。本文使用Lattiice-LSTM实现中文分词，及字词表征。效果优于前两种方法。一、模型步骤1.Lattiice-LSTM分词+表征词汇 点阵长短期记忆网络Lattiice-LSTM不仅可以自动学习到上下文信息。与基于字的分词方法相
2022-01-22 20:19:26
731
原创 【项目调研+论文阅读】基于BERT的中文命名实体识别方法[J] | day6
《基于BERT的中文命名实体识别方法》王子牛 2019-《计算机科学》文章目录一、相关工作二、具体步骤1.Bi-LSTM2.CRF结构三、相关实验1.数据集2.参数设置3.实验结果利用大规模未标注语料对bert行训练，获取文本抽象特征；利用Bi-LSTM神经网络获取序列化文本的上下文抽象特征；通过条件随机场CRF进行序列解码标注，提取出相应的实体。一、相关工作二、具体步骤1.Bi-LSTM采用Graves等提出的改进了LSTM模型中记忆单元和门限机制的版本。2.CRF结构替代soft
2022-01-21 20:19:08
648
原创 【项目调研+论文阅读】（目录）中文实体识别研究方法综述 day6
文章目录一、基于词典和规则的方法二、基于统计机器学习的方法1.隐马尔可夫模型（HiddenMarkovMode，HMM）的方法2.基于最大熵（MaxmiumEntropy）的 方 法3.基 于 支 持 向 量 机（SupportVectorMachine，SVM）的方法4.基于条件随机场（ConditionalRandomFields，CRF）的方法5.基于统计中的自增长统计算法的方法三、基于统计与规则结合的方法四、基于深度学习的方法五、近期方法《中文命名实体识别研究方法综述》李嘉欣 陆军工程大学一、基
2022-01-21 19:33:03
510
原创 【项目调研+论文阅读】基于医学文献的实体抽取(NER)方法研究 day5
一、《基于文献的药物表型实体识别及关系抽取方法研究》北京交通大学-张琛表型实体：疾病、体症、基因、化学物质和药物名称。信息提取的传统方法分为三步：命名实体识别、关系抽取、事件抽取。———————————————————————————————方法一： 将关系抽取视为独立任务。关系抽取与实体识别任务分开。使用神经网络方法，采用 BiLSTM 结合 CRF，分别对中文电子病历数据集和英文医学文献摘要数据集进行训练。 之后的关系抽取任务，采用的是基于 Attetntion 机制的双向 LSTM 模型。
2022-01-20 18:47:03
1288
原创 【论文阅读】Drug Similarity Integration Through Multi-view Graph Auto-Encoders | day4、5
2018年International Joint Conference on Artificial Intelligence国际人工智能联合会议文章目录前言一、基于注意力机制的多视图图自编码器的相似度融合二、基于部分标签的半监督学习三、使用测试集标签的转换学习四、实验1.实验一2.实验二3.实验计算4.结论前言药品相似度集成，利用注意力机制下的多视图自编码器实现。 一、待解决的问题： 1.不同类型的特征对目标的影响大小不同。例如：药物结构相似性比药物适应症相似性（药物可替代性）对药物的相互作
2022-01-20 11:50:15
2032
原创 【论文阅读】图神经网络（针对图数据的深度学习方法）综述 day1、2、3
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档题目:《A Comprehensive Survey on Graph Neural Networks》2019年前言一、图神经网络的由来？二、四种网络1.定义2.输入输出3.训练模式三、循环神经网络四、卷积图神经网络1.定义2.分类3.比较五、图池化操作1.定义2.作用3.算法六、有关图神经网络的理论1.节点的接受域receptive field2.VC维度3.图的同构4.等变形Equivariance和不变性invariance七、图自
2022-01-18 18:26:56
1605
原创 【论文阅读】SIR模型下网络中多信息源检测 2014-IEEE
多地方传染，多地方泄露。三种算法：（1）树状网络，已知信息源数量，识别信息源。（2）一般网络的启发式算法，已知源数量，识别信息源。（3）信息源数量未知，估计源数目。（一）（聚类和定位）“树状网络（g正则树，所有节点出度为g），已知数量，识别信息源。”问题描述：（1）SIR：敏感、感染、恢复（不可再被感染）被感染概率q，恢复概率p。（2）一个有n个感染节点的节点，不被感染的概率为(1-q)n，被感染的概率为1-(1-q)n（3）初态，除一组源节点外，所有节点为敏感态。算法一：1.感染
2022-01-11 10:46:22
275
原创 【论文阅读】基于未知传播模型的信息源检测问题 2017年AAAI国际先进人工智能协会
Label Propagation based Source Identification（LPSI）基本思想：若一个节点附近有大量被感染节点，则该节点为感染源前提假设：该网络已被部分感染；感染源附近被感染节点比例大，感染区域边界的被感染节点比例少基本方法：（基于标签传播LPSI）让感染状态在网络中迭代传播作为标签，最后标签传播结果的局部峰值作为源节点讨论了LPSI的收敛性和迭代性以往方法的缺点：考虑传播模型。需要先验经验，新的传染病和网络谣言传播的传播模型难确定；确定传播模型
2022-01-04 10:41:46
483
原创 【Python】迭代法求解非线性方程及方程组
非线性方程使用简单迭代、牛顿、弦割方程组使用牛顿、弦割、布罗伊登import sympyimport numpy as npimport matplotlib.pyplot as pltfrom sympy import *def Nonlinear_equation_value(x): #计算非线性方程的值 value = (x**6)-5*(x**5)+3*(x**4)+(x**3)-7*(x**2)+7*x-20 return valuedef simple_itera.
2021-12-15 21:29:11
3490
原创 【论文阅读】One2Multi图形自动编码聚类框架（O2MAC）-解决多视图聚类问题（2020 IW3C2）
文章题目：One2Multi Graph Autoencoder for Multi-view Graph Clustering多视图数据：用多组特征描述的数据。每一组特征被称为一个视图。One2Multi图形自动编码聚类框架：深度学习、使用信息图形视图＋内容数据重构多个视图，进行节点嵌入学习，可以获得多个视图的共享特征表示。将自动编码和自训练结合，实现聚类的簇标签分配和嵌入以往方法：1.图分析：最大化不同视图之间的相互一致性2.图嵌入技术学习节点的紧凑表示，后使用传统聚类方法K
2021-12-13 20:08:07
1587
原创 python实现最小二乘拟合函数（选择三种不同基函数，基函数可改变）
作业题目和要求：解决思路：分别使用基函数是fai_i(x) = x^i ，是勒让德正交基函数，是利用正交函数关系式构造出g0~g4实现拟合。相关知识：计算结果如下：计算拟合误差，使用2-范数：也就是误差平方求和再开方（方差好像。。）import numpy as npdef Linear_independence_functions(m,n,list_x,list_y): #选择线性无关函数fai(x)作为基函数，公式(5.2.14) #构造方程组参数G与G的转置
2021-10-24 19:38:08
4636
原创 快速下降法python实现（含误差与迭代次数画图功能）
同样接之前共轭下降法的帖子，题目要求是两种方法做对比，我上次忘写了。是在上一篇代码的基础上改的，改的地方不大，就是去掉beta的计算，以及d=ri 不需要d=ri + beta*di最后画了误差（范数对10取对数）和计算次数的关系图。import numpy as npimport mathfrom math import logimport matplotlib.pyplot as pltdef generate_matrix(n): # 使用对角矩阵相加得到三对角矩阵A
2021-10-19 13:08:02
924
原创 戴尔游匣7559 Win10 固态硬盘系统重装
我选择的是在一个>8G的U盘上下载好win10的系统然后在电脑BIOS状态下安装。当上述条件准备就绪后，关机（不要重启，重启有时候会识别不到U盘）。在电脑开机时，显示dell logo的时候，狂按F2按键，进入BIOS状态。dell的BIOS状态的UI界面十分简陋…第一步：归根结底一句话是要把 1st Boot Priority设置成使用U盘操作系统的状态。但是在刚开始的时候我点击这个地方，不显示含有USB的选项。**是因为dell电脑，只能在BOOT list Option为 Leg
2021-10-18 14:30:10
6504
1
原创 python实现共轭梯度算法（含误差与运算次数的折线图）
西安交通大学《数值分析》第三章课后题3.2import numpy as npimport mathdef generate_matrix(n): # 使用对角矩阵相加得到三对角矩阵A array_a = np.diag([-2] * n) array = np.diag([1] * (n-1)) a = np.zeros((n-1)) b = np.zeros(n) array_b = np.insert(array, 0, values=a, a
2021-10-03 14:42:24
702
原创 python生成任意n阶的三对角矩阵
数学作业要求实现共轭梯度法的算法。题目中的矩阵A是n=400/500/600的三对角矩阵。在网上查阅资料未果后，自己解决了。import numpy as npdef generate_matrix(n): # 使用对角矩阵相加得到三对角矩阵A array_a = np.diag([-2] * n) array = np.diag([1] * (n-1)) a = np.zeros((n-1)) b = np.zeros(n) array_b = n
2021-10-03 11:31:10
2135
1
原创 windows下使用命令行将employees.sql导入mysql
1.查找mysql安装位置，添加mysql路径，使得mysql可以通过命令行执行。文件夹中含有bin文件，bin文件中有mysql.exe方法一：目录查找方法二：计算机管理查找右键”属性“，查看即可。将该路径添加至系统环境变量中【注意事项】：1.添加后电脑重启，2.如果不成功可将地址保留至bin而非mysqld.exe，3.是mysqld不是mysql2.验证mysql是否为正确命令只要没出现：’mysql‘不是内部命令，说明添加路径成功。可以使用命令行对mysql操作。3.下
2021-09-27 15:07:13
231
原创 【NLP】毕设学习笔记（九）长短期神经网络LSTM
无隐藏层的simple RNN 和 有隐藏层的standard RNN人在进行决策的时候，不仅仅是根据当前的输入和之前完成该事情的先前记忆。例如在拼拼图时，当前时刻的输入就是新拿起的一块拼图，完成该事情的先前记忆是截至上一步完成了哪些部分的拼接，但是在决定接下来要把拼图放在哪个位置，还需要思考这幅拼图的完整图画。这就是隐藏层在RNN中起到的作用。如果不思考完整图画就直接做决定，就是无隐藏层的简单RNN，而思考完整图画的RNN是添加了隐藏层的标准RNN。显然，添加了隐藏层有助于我们更好的进行当下时刻的决策.
2021-04-23 16:44:58
342
原创 【NLP】毕设学习笔记（八）“前馈 + 反馈” = 循环神经网络RNN
前馈神经网络和循环神经网络分别适合处理什么样的任务？如果分类任务仅仅是进行判断和识别，例如判断照片上的人的性别，识别图片上是否有小狗图案，那么对输入的数据仅仅需要做特征寻找的工作即可，找到满足该任务的特征，或判断局部特征的强弱，就可以实现目的。但是如果对于稍微复杂一点的任务。例如判断两句话是否存在因果关系，或在一篇文章中找到某个问题的答案，抛开输入数据的位置关系仅仅关注特征就变得不可取了。这个时候还需要考虑输入数据之间的位置关系。因为位置关系影响了词语之间的语义和理解。而让前馈神经网络代表之一的例如CN.
2021-04-23 09:02:39
628
原创 【NLP】毕设学习笔记（七）前馈神经网络代表者——卷积神经网络无公式理解
含隐藏层的全连接前馈神经网络图：加入隐藏层而非只有输入层和输出层的原因：如果不加入隐藏层，则在进行最终的判断时，输入层的每一个数据都和输出结果直接挂钩，但事实上，这样的挂钩是十分不可靠的。例如，判断照片上的人是男生还是女生，输入数据是图片上的每一个像素点，输出结果是是男生还是女生。如果没有隐藏层，也就意味着，每一个像素点和性别判断是直接相关的，但实际并不是这样。但如果加入一个隐藏层，则网络结构可以看成两个分类器的结合，输入层和隐藏层看作第一个分类器，隐藏层和输出层看作第二个分类器，且第二个分类器的
2021-04-22 21:18:08
206
原创 【Django】毕设学习笔记（六）
文章目录下载创建项目创建应用试运行下载conda activate tf # 进入tf环境pip install django创建项目django-admin startproject web_show #web_show是项目名称web_show: 项目的容器。manage.py: 一个实用的命令行工具，可让你以各种方式与该 Django 项目进行交互。init.py: 一个空文件，告诉 Python 该目录是一个 Python 包。asgi.py: 一个 ASGI 兼容的 Web
2021-04-22 16:25:52
143
1
原创 【NLP】毕设学习笔记（四）bert相关知识点
bert的优势bert是Word2Vec的替代，Word2Vec文章一写过，是词嵌入的一种方法，作用是将自然语言转化为词向量。bert使用transformer为主要框架，transformer可以准确把握语句的双向关系。bert是通过自监督学习方法，自监督学习方法指在没有标签的数据集上进行监督学习，学习结果是学习到如何更好的对单词进行特征表示。学习完毕后，在具体的NLP任务上，使用学到的特征表示法，为任务进行词嵌入，即将任务数据中的自然语言转化为词向量（该词向量比一般方法获得的词向量要更优秀）。所
2021-04-18 08:41:41
964
原创 【NLP】毕业设计学习笔记（三）：bert_bi-lstm代码解读
class是一个生产bert_lstm的工厂，工厂里有一个初始化函数（init）和两个instance method功能函数（forward，init_hidden）instance method是指工厂里加工初始化后bert_lstm的函数还有一种class method，是指对工厂进行加工的函数，这里不涉及。一个bert_lstm需要output_size,n_layers,hidden_dim,bidirectional,lstm,dropout（所有self.的东西）才能被构造使用insta
2021-04-17 10:13:43
3938
空空如也
为什么不能使用while((fgetc(fp)!=EOF)进行文件复制？
2021-04-04
TA创建的收藏夹 TA关注的收藏夹
TA关注的人