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！

龙图腾网获悉宁波大学申请的专利一种基于RNN的无属性图的编解码图嵌入方法和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：CN118427404B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202410518298.9，技术领域涉及：G06F16/901；该发明授权一种基于RNN的无属性图的编解码图嵌入方法和系统是由刘祎;沈鑫彤;辛宇设计研发完成，并于2024-04-28向国家知识产权局提交的专利申请。

本一种基于RNN的无属性图的编解码图嵌入方法和系统在说明书摘要公布了：一种基于RNN的无属性图的编解码图嵌入方法和系统，涉及图神经网络中的图嵌入方法领域。解决现有基于图结构的图嵌入方法依赖于节点的属性信息，并不适用于无节点属性的图数据的问题。所述方法包括：将拓扑结构中以节点为中心的二跳子图作为节点v的邻域子图，并将邻域子图对应的BFS逆序作为训练样本；构建双RNN结构的编码器，根据所述基于时序模型RNN的编码器对节点v的邻域子图进行编码，并获取节点v的结构特征；构建双RNN结构的解码器，根据所述双RNN结构的解码器将节点v的结构特征进行重构，获取重构的回邻域子图。应用于互联网拓扑领域。

本发明授权一种基于RNN的无属性图的编解码图嵌入方法和系统在权利要求书中公布了：1.一种基于RNN的无属性图的编解码图嵌入方法，应用于社交网络领域，其特征在于，所述方法包括： S1：将拓扑结构中以节点vi为中心的二跳子图作为节点vi的邻域子图vi-graph，并将邻域子图对应的BFS逆序作为训练样本；其中，节点包括用户的姓名、爱好； S2：构建双RNN结构的编码器Encoder，根据基于时序模型RNN的编码器Encoder对节点vi的邻域子图vi-graph进行编码，并获取节点vi的结构特征vi-emb； S3：构建双RNN结构的解码器Decoder，根据所述双RNN结构的解码器Decoder将节点vi的结构特征vi-emb进行重构，获取重构的回邻域子图； 所述步骤S2中双RNN结构的编码器Encoder由NodeRNN和EdgeRNN构成； 所述步骤S2包括： 将节点序列输入至NodeRNN中，并将NodeRNN作为编码器Encoder的基本架构； 将邻域子图vi-graph进行BFS节点排序的逆向结果作为编码器Encoder的输入； 利用每个节点的邻域特征作为该节点的输入特征h，并通过EdgeRNN进行提取当前节点的邻域特征； 将节点vi与BFS节点排序的逆向结果的邻接向量为输入时序，利用EdgeRNN得到节点vi的结构特征； 所述步骤S3中双RNN结构的解码器Decoder由NodeRNN结构和EdgeRNN结构构成，将节点结构特征vi-emb作为NodeRNN的输入，生成以节点vi为中心的BFS节点逆序的第k个节点和的邻域特征，具体运算公式如下： 将和开始符号SOS作为EdgeRNN的输入，对与已有节点进行连接生成判别，得到，具体运算公式如下： ； 在训练节点的结构特征时，从编码器Encoder和解码器Decoder两方面入手；在Encoder方面，首先通过三元组损失，即构建邻域子图vi-graph的正负样本对的方式，训练节点的结构特征，使得训练后的节点结构特征具有独特性以及局部相似性，其中，正样本由vi-graph的同构结构组成，负样本由vi-graph的邻接矩阵随机掩码后组成，其具体运算公式如下： 其中A为原邻域子图，P为A的正样本，N为A的负样本，d为距离函数，m为自定义的常数；在Decoder方面，通过构建原邻域子图vi-graph与重构邻域子图的重构损失，训练节点的结构特征，使得训练后的节点结构特征能反映节点的上下文环境以及全局结构，其具体运算公式如下： 其中A为原邻域子图，A’为重构后的邻域子图；通过和两方面的限制，使得训练后的节点结构特征能够充分表达节点的邻域子图以及节点上下文环境，其具体运算公式如下： 。

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宁波大学，其通讯地址为：315211 浙江省宁波市风华路818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。