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！

龙图腾网获悉山西大学申请的专利基于半监督网络表示学习的电商网络社区发现方法及系统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：CN115563403B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202211203499.7，技术领域涉及：G06F16/9536；该发明授权基于半监督网络表示学习的电商网络社区发现方法及系统是由杜航原;谢富中;王文剑;白亮;梁吉业设计研发完成，并于2022-09-29向国家知识产权局提交的专利申请。

本基于半监督网络表示学习的电商网络社区发现方法及系统在说明书摘要公布了：本发明涉及电商网络数据挖掘领域，公开了一种基于半监督网络表示学习的电商网络社区发现方法及系统，所述方法包括电商网络邻接矩阵、特征矩阵以及部分用户标签矩阵构建环节，半监督网络表示学习的电商网络社区发现模型构建及优化环节，半监督网络表示学习的电商网络社区发现模型结果输出环节；利用两个独立的GCN编码器构建半监督网络表示学习的电商网络社区发现模型，并设计一个联合优化目标函数，通过最小化目标函数进行模型训练。所述系统包括计算机处理器和内存，电商网络邻接矩阵、特征矩阵以及标签矩阵单元，基于半监督网络表示学习的电商网络社区发现模型训练单元，基于半监督网络表示学习的电商网络社区发现模型结果输出单元。

本发明授权基于半监督网络表示学习的电商网络社区发现方法及系统在权利要求书中公布了：1.一种基于半监督网络表示学习的电商网络社区发现方法，其特征在于，包括以下步骤： S10、获取电商网络用户数据集，依据用户之间的好友关系构建电商网络结构，将用户的购买数据、浏览数据、店铺关注数据、参加活动的数据以及商品收藏数据作为用户节点特征，将已标记类型的用户作为标签数据，基于电商网络结构、用户节点特征以及部分标签数据构建邻接矩阵A、特征矩阵X和标签矩阵Y； S20、基于步骤S10建立的邻接矩阵、特征矩阵和标签矩阵，使用两个独立的GCN编码器构建半监督网络表示学习的电商网络社区发现模型； S30、对于步骤S20构建的半监督网络表示学习的电商网络社区发现模型，设计一个联合优化目标函数，通过最小化目标函数进行模型训练，确定模型参数； S40、利用步骤S20构建的半监督网络表示学习的电商网络社区发现模型，以及步骤S30确定的模型参数，实现对电商网络的社区发现与检测，并将社区发现结果进行输出； 所述步骤S20中的半监督网络表示学习的电商网络社区发现模型包含半监督通道、自监督通道以及冗余消除模块三个部分，其中：半监督通道包含一个GCN编码器，利用已标记类型的用户信息作为指导，学习兴趣相同的用户间的共性特征，以及兴趣不同的用户间的差异特征；自监督通道也同样包含一个GCN编码器，通过构造虚假的用户特征信息，将其与用户真实的特征信息形成对比，使用户低维表示在真实—虚假特征信息的对比机制下更好的捕捉和保持电商网络的结构与特性；冗余消除模块用于将上述两个通道中存在的重合信息进行去除，加强用户低维表示学习过程中指导监督作用的有效性，从而使电商网络社区发现模型获得稳定的性能；模型的具体操作步骤为： S21、在半监督通道中，将电商网络G＝V,E,X输入到GCN编码器中进行编码，得到电商网络中用户节点的表示向量，其编码过程的形式化表示如式1所示： 其中，D为用户节点的度矩阵，用户节点vi的度表示为该用户节点相关联的边的数量；W0和W1是可学习的参数矩阵；H＝{h1,h2…,hN}是电商网络中用户节点的表示向量的集合，hi表示用户节点vi经过编码得到的用户低维表示；这里的输入由两部分组成：电商网络用户节点特征矩阵X和电商网络邻接矩阵A；编码器中激活函数Relu·由式2定义： 构建半监督通道损失时，使用一种基于Softmax和交叉熵损失函数的神经网络分类器作为互信息估计器，用于评估用户节点特征X和部分用户节点标签Y之间的相关性，从而使用户低维表示H＝{h1,h2…,hN}学习到更多与用户节点标签Y的相关信息；半监督通道优化目标如式3所示： 其中，xl表示第l个具备标签的用户节点的特征，yl表示第l个具备标签的用户节点的标签值，y′表示用户标签类别，Py′为用户标签的先验分布概率，fxl表示通过GCN编码器得到的第l个具备标签的用户节点的低维表示； S22、在自监督通道中，同样将电商网络用户节点特征矩阵X和电商网络邻接矩阵A作为输入，通过GCN编码器，得到用户低维表示 表示用户节点vi经过编码得到的用户低维表示；构建自监督通道损失时，使用Jensen-Shannon估计器衡量用户低维表示与用户节点vn及其相邻用户节点间的相关性，从用户的节点特征X和邻接矩阵A两个方面进行衡量，该通道总的优化目标如式4所示： 其中，Gi表示由用户节点vi及其相邻用户节点构成的子图，表示用户节点特征重构一致性，Iaij；wij表示用户结构重构一致性，为电商网络中用户低维表示和的相关性，aij表示用户节点vi和vj之间边的权重大小； 用户节点特征重构一致性由式5计算： 其中，xj表示用户节点vn以及相邻的用户节点的特征信息，x′j是生成的虚假的用户节点特征，主要通过将用户节点的邻接矩阵A进行打乱，特征矩阵X不变，生成对应虚假的用户节点特征信息；为鉴别器，用于对真实用户节点特征与生成的虚假的用户节点特征进行鉴别，如式6所示： 其中，Θ1中是一个可训练的得分矩阵，中T表示转置操作，σ为sigmoid函数，如式7所示： 对于电商网络用户结构重构一致性由8计算： Iaij；wij＝aijlogwij+1-aijlog1-wij8 S23、利用冗余消除模块识别和度量冗余信息，在半监督通道和自监督通道中分别获得的用户低维表示为hl和利用二者之间的相关性进行信息冗余的度量，如式9所示， 其中，是针对生成的虚假数据，为鉴别器，hl T中T为转置操作，如式10所示： 所述步骤S30包含以下具体步骤： S31、将S20所述的半监督通道、自监督通道以及冗余消除模块三个部分联合训练，为半监督网络表示学习的电商网络社区发现模型定义总的优化目标函数如式11所示： 其中，是半监督通道损失，是自监督通道损失，Ir是冗余信息，θ是超参数，用来衡量自监督通道的重要性； S32、对步骤S20中的半监督网络表示学习的电商网络社区发现模型进行参数初始化，给定调节系数θ和迭代次数T，迭代执行步骤S33～S35，直到达到迭代次数，完成对半监督网络表示学习的电商网络社区发现模型的训练，获得模型的最优参数； S33、将S10构建的邻接矩阵A和特征矩阵X作为输入，分别输入到半监督通道和自监督通道中，经过式1GCN编码器获取半监督电商网络表示H＝{h1,h2…,hN}和自监督电商网络表示 S34、按式3、式4和式9分别得到半监督通道目标损失自监督通道目标损失以及冗余信息Ir； S35、将S34得到的损失输入到式11中，得到半监督网络表示学习的电商网络社区发现模型的总损失，进行反向传播，循环更新半监督通道神经网络参数W0和W1以及自监督通道神经网络参数和得分矩阵Θ1、Θ2。

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山西大学，其通讯地址为：030006 山西省太原市坞城路92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”。