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！

龙图腾网获悉吉林大学申请的专利基于常微分方程和超网络的事件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：CN116796173B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202310792186.8，技术领域涉及：G06F18/213；该发明授权基于常微分方程和超网络的事件预测方法是由王英;张钧贺;王鑫;杨博;马涪元;朱曜迪;杨兆琪设计研发完成，并于2023-06-30向国家知识产权局提交的专利申请。

本基于常微分方程和超网络的事件预测方法在说明书摘要公布了：本发明公开了一种基于常微分方程和超网络的事件预测方法，旨在克服现有技术对节点间的持续相互作用以及节点嵌入通道间的交互考虑不足、事件独特背景信息对事件预测任务的作用等问题，该方法的步骤为：1.由数据处理模块对数据集中所有事件数据进行处理；2.获取并处理同一时间发生的所有事件的相关数据；3.利用基于图神经网络的常微分方程建模节点间的信息传递以及节点嵌入通道间的交互；4.利用超网络来捕捉事件的个体特征；5.利用消息传递机制建模网络结构变化时用户嵌入的瞬时变化；6.对数据集中每一个时间点进行步骤2‑5的处理，直至训练集所有数据训练完成。

本发明授权基于常微分方程和超网络的事件预测方法在权利要求书中公布了：1.一种基于常微分方程和超网络的事件预测方法，其特征在于： 1所述的基于常微分方程和超网络的事件预测方法，包括如下步骤： 1由数据处理模块对数据集中所有事件数据进行处理： ①将数据集中所有事件数据按照发生的时间先后顺序进行排序； ②将数据集中所有事件数据中的时间项归一化到区间[0,1]内； ③基于步骤①②，将数据集表示为： 其中，三元组ai,bi,ti表示用户ai和用户bi在时间为ti时发生的事件，ai∈[0,1]；EvnetSet是一个有序集，集合中的所有事件按照时间先后顺序进行排序；对于在同一时间发生的并发事件，在EventSet中以任意顺序进行排序； 2初始化用户嵌入并记录； 2所述的获取并处理同一时间发生的所有事件的相关数据，包括如下步骤： 1由数据载入模块获取在同一时间发生的所有事件的三元组，即事件涉及的用户序号以及事件发生的时间； 2计算1中事件发生的时间与数据集中前一个不同时间的差值，若获取的事件发生的时间为0，那么与前一不同时间的差值设为0； 3根据1中获取的事件三元组构造观察图邻接矩阵； 3利用基于图神经网络的常微分方程建模用户间的信息传递以及用户嵌入通道间的交互： 1对最新更新的用户嵌入进行拼接； 2对初始用户嵌入进行拼接； 3利用基于图神经网络的常微分方程建模用户间的信息传递以及用户嵌入通道间的交互： ①用观察图邻接矩阵构造聚合矩阵，聚合矩阵的形式为： 其中Ak为观察图邻接矩阵，I为单位矩阵，Dk为度矩阵；α为超参数，该参数控制了中心节点影响其邻居节点的速度，该参数的值可以从数据中学到； ②将1中获取的用户嵌入作为超网络的输入生成缩放操作量μk和位移操作量 ③使用步骤②中的缩放操作量μk和位移操作量对参数α进行缩放和位移操作： 其中表示了元素级乘法，通过对α进行缩放和位移操作，可以为不同时段生成不同的α； ④将1中获取的用户嵌入、2中获取的初始用户嵌入以及①中获取的聚合矩阵作为常微分方程的输入，常微分方程的形式为： 其中，Lk是聚合矩阵，Wk是权重矩阵；等式右边的第一项建模了网络中用户间的信息传递，第二项建模了用户嵌入通道间的交互，第三项是节点的初始嵌入，保留节点的初始嵌入可以防止模型发生过平滑问题； ⑤得到新的用户嵌入并记录； 3所述的利用超网络来捕捉事件的个体特征，包括如下步骤： 1根据时间戳和事件三元组获得事件正样本和负样本： ①将用户嵌入与初始用户嵌入进行拼接； ②根据时间找到所涉及的事件三元组，并记录事件三元组涉及的用户对序号； ③根据②中的用户对序号，将相应的用户嵌入从所有用户嵌入中提取出来，形成正样本； ④随机生成8个用户对序号，将相应的用户嵌入从所有用户嵌入中提取出来，形成负样本； 2根据1中正负样本的用户对序号，将用户序号对应的用户嵌入进行拼接形成事件表示； 3利用超网络对事件表示进行微调： ①用全连接层的初始化参数作为事件先验θe； ②以2中的事件表示作为全连接层的输入，得到缩放偏移量αa,b,t和位移偏移量βa,b,t； ③使用步骤②中的缩放偏移量αa,b,t和位移偏移量βa,b,t对事件先验进行缩放和位移操作： ④利用步骤③中的对2中的事件表示进行缩放和位移操作； 4利用微调后的事件表示计算正样本和负样本的分数； 5利用4中正负样本的分数计算事件损失Levent； 4所述的利用消息传递机制建模网络结构变化时用户嵌入的瞬时变化， 包括如下步骤： 1基于消息传递机制获取用户嵌入的变化量： 其中，Δxa,t是用户a的嵌入在时间t的变化量，xa,t-是事件发生前用户a的嵌入，σ是激活函数，W1，W2是权重矩阵；Na,t表示在时间t与用户a发生事件的用户集；Ca,t表示在时间t时与用户a发生交互的项目数，即Ca,t＝|Na,t|； 2根据用户嵌入和1中用户嵌入的变化量得到新的用户嵌入： xa,t+＝xa,t-+Δxa,t 用户嵌入的更新可以组织成矩阵形式，形式如下： 其中，ΔBk表示了观察图在时间tk与上一时间tk-1的结构变化，即ΔBk＝Bk-Bk-1；DA是一个对ΔBk每行进行求和构造出来的对角矩阵；W1和W2是可学习的参数矩阵； XAt+＝XAt-+MAt⊙ΔXAt 其中MAt是一个由0,1组成的掩码矩阵；所有发生事件的用户所在的行的值全为1，其余行的值全为0； 3根据用户嵌入的更新计算跳跃损失Ljump； 5对数据集中每一个时间点进行2-4的处理，直至训练集中所有数据训练完成，训练得到的模型应用于事件检测任务。

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吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699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。