<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[国防科技大学学报编辑部 -->图智能计算]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向多视图异构图的分层投影嵌入方法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503001]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[提出一种基于分层投影网络的自监督嵌入方法多视图异构投影网络(multi-view heterogeneous graph projection network, MeghenNet)以学习多视图低维节点表征，其中多视图异构图被定义为明确允许模型同时从多数据源中采集信息建模异构图。MeghenNet采用分层注意力映射机制，其跨关联投影模块用于提取单视图中的语义信息，跨视图模块用于聚合多个视图中的上下文信息。计算每个视图嵌入与全局嵌入之间的互信息损失函数以确保视图之间的信息一致性。在多个真实数据集上的实验表明，所提出算法在处理多视图异构图嵌入问题时明显优于基准算法。]]></description>
<pubDate>2025/6/3 0:00:00</pubDate>
<category><![CDATA[图智能计算]]></category>
<author><![CDATA[郝韵致，郑铜亚，王新根，王新宇，宋明黎，陈纯，周春燕]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503001]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[多轮社交广告序列影响最大化]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503002]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[现有的序列广告推荐研究主要关注用户对广告的偏好，未充分考虑广告间的正向关系。从广告间的关联出发，将广告网络和用户网络同时纳入考量，构建了基于触发模型的多轮广告序列推荐影响力最大化模型。提出了基于广告边的多轮反向影响力采样贪心策略，以提升广告平台收益，并证明了这一方法具有严格的理论下界保证。实验表明，与现有最优方法相比，该方法的广告传播影响力收益平均提升了35%，显著增强了广告推荐效果，为广告序列推荐提供了新的解决方案。]]></description>
<pubDate>2025/6/3 0:00:00</pubDate>
<category><![CDATA[图智能计算]]></category>
<author><![CDATA[付冰洋，张龙姣，史麒豪，王泽宇，王灿，宋明黎]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503002]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[多轮次影响传播下的增益节点成本最小化动态策略]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503003]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为了减少商家在社交网络上进行多轮次商品推广的营销成本，针对多轮次影响力传播过程中的增益节点选择问题展开研究。基于多轮次影响增益传播模型，提出了自适应的增益节点选择策略，该策略在已知种子节点的前提下，能够在近似线性的算法复杂度下，找到最小化达到传播影响阈值所需的营销轮次的近似策略。实验结果表明，相较于现有启发式算法和非自适应算法，所设计的自适应策略能够减少7.3%~18.3%达到指定阈值所需的传播轮次，有效减少推广成本。]]></description>
<pubDate>2025/6/3 0:00:00</pubDate>
<category><![CDATA[图智能计算]]></category>
<author><![CDATA[张龙姣，付冰洋，史麒豪，宋明黎，王灿，章悦]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503003]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向缺失多元时间序列的图神经网络异常检测算法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503004]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对真实物联网环境中的缺失多元时间序列异常检测难题，提出一种融合缺失信息图嵌入的多元时间序列异常检测算法；基于预插值与异常检测任务融合的联合学习框架，设计一个基于时序高斯核函数的图神经网络（graph neural network, GNN）预插值模块，实现了预插值与异常检测任务的共同优化；提出一种时间序列数据缺失信息嵌入的图结构学习方法，采用图注意力机制融合缺失信息掩蔽矩阵和时空特征向量，有效建模多元时间序列缺失数据分布的潜在联系。在真实物联网传感器数据集上验证了提出算法的性能，实验结果表明，该方法在缺失多元时间序列异常检测任务上显著优于主流两阶段方法，预插值模块对比实验部分充分证明了基于高斯核函数的GNN预插值层的有效性。]]></description>
<pubDate>2025/6/3 0:00:00</pubDate>
<category><![CDATA[图智能计算]]></category>
<author><![CDATA[高杨，王新宇，贺达，宋明黎，周春燕]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503004]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[S-Cypher:时态属性图模型上的时态图查询语言]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503005]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[传统的图数据模型未考虑时间维度，可能会导致时态查询极其复杂，甚至破坏时间信息的完整性，为此，提出了一种时态属性图数据模型和相应的时态图查询语言S-Cypher。该时态图数据模型使用对象节点表示实体，引入属性节点和值节点表示实体的属性，在节点以及对象节点之间的边上记录有效时间以表达时态信息，其记录的有效时间均遵循一组时态约束。S-Cypher是Cypher的时态拓展，在保证兼容的同时不仅提供了一套简洁完善的时态图查询语法，包括时态数据类型、时态图模式匹配、时间窗口限定和时态路径；还提供了一套在Neo4j上进行S-Cypher时态图查询的实现方案。实验结果显示，S-Cypher的查询时间平均是Cypher的1.29倍，表明S-Cypher能够有效地管理Neo4j中的时态图数据，并具有良好的性能。]]></description>
<pubDate>2025/6/3 0:00:00</pubDate>
<category><![CDATA[图智能计算]]></category>
<author><![CDATA[蒋甜甜，陈观林，宋明黎，杭海天，王豪烨]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/202503005]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>