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！

龙图腾网获悉同济大学申请的专利基于网络结构的跨社交网络用户身份识别系统和应用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：CN120995443B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202511525413.6，技术领域涉及：G06F21/41；该发明授权基于网络结构的跨社交网络用户身份识别系统和应用方法是由关佶红;杨玥;张毅超;李文根设计研发完成，并于2025-10-24向国家知识产权局提交的专利申请。

本基于网络结构的跨社交网络用户身份识别系统和应用方法在说明书摘要公布了：本发明提出了基于网络结构的跨社交网络用户身份识别系统和应用方法,包括：算法框架设计，采用随机游走方法捕捉节点与对齐节点之间的结构相关性；用户身份对齐阶段，基于最优传输理论的用户身份对齐优化方法以实现精确对齐；训练过程，设计一个跨网络融合层整个对齐节点的网络共享特征与各自的特异性特征结合，并采用图注意力网络聚合邻居节点信息以增强节点之间的判别能力。本发明缓解因相似节点难区分对预测结果的影响以及预测效率问题，能够有效提高用户身份对齐的准确度和性能。为提供跨平台推荐、跨平台用户画像提供了帮助。

本发明授权基于网络结构的跨社交网络用户身份识别系统和应用方法在权利要求书中公布了：1.一种基于网络结构的跨社交网络用户身份识别系统，其特征在于，包括如下： 第一模块1、将开源的数据集划分为训练集、测试集、验证集，并将在线社交网络数据集构建源网络和目标网络的图结构； 第二模块2、用于初始化节点嵌入表示； 第三模块3、用于解耦节点表征； 第四模块4、用于融合对齐节点特征； 第五模块5、用于聚合节点邻域特征并提取节点嵌入表示； 第六模块6、基于多重损失优化策略，利用第一模块1中所述训练集进行训练优化； 第七模块7、基于最优传输方法优化用户名身份匹配结果； 所述第一模块1包括第一模块子模块一、第一模块子模块二、第一模块子模块三，其中： 第一模块子模块一对于数据集中的所有对齐节点对，随机选择20%、70%、10%的对齐用户对分别作为训练样本、测试样本、验证样本，构建‌训练集样本集合、测试集样本集合和验证集样本集合； 第一模块子模块二跨社交的在线社交网络数据集中，基于用户身份对齐，每个网络的用户之间的连接关系，构建源网络和目标网络，其中：所述源网络包括来自源网络的用户节点集合和节点之间的邻接关系矩阵，所述目标网络包括来自目标网络的用户节点集合和节点之间的邻接关系矩阵，为实数集，上述邻接关系矩阵即表示节点之间的连接关系； 第一模块子模块三基于训练集中的正样本对，即已知的对齐节点对，构建对齐节点集合，并据此构建用户对齐矩阵，若源网络中任意节点i和目标网络中节点j是对齐用户，即，则，否则；针对每一对对齐用户中的用户u，随机从目标网络中用户的邻域中选择10个非对齐用户作为其负样本； 所述第三模块3用于解耦节点表征，包括第三模块子模块一、第三模块子模块二、第三模块子模块三，其中： 第三模块子模块一将第二模块2初始化的节点表示分别输入到多层感知机MLP中，将其映射到网络共享特征空间和网络特异性空间，解耦为共享特征和网络具体特征，计算公式分别为： 2 3 式2、3中 ，表示源网络或目标网络两种情况； 和是两个不同的多层感知机，它们都由两层线性层和ReLU函数组成； 第三模块子模块二基于解耦的网络共享特征，分别重构源网络和目标网络的邻接矩阵，计算公式为： 4 第三模块子模块三分别在第一模块1中源网络和目标网络引入重构损失函数进而约束解耦节点特征的语义完整性，整个方法的重构损失的计算公式为： =+5 式5中和分别为源网络和目标网络的重构损失，其中每个网络的重构损失的计算公式为： 6 式6中 表示重构网络的邻接矩阵， 表示原始网络的邻接矩阵， ，表示源网络或目标网络两种情况； 所述第四模块4，用于融合对齐节点特征，包括第四模块子模块一、第四模块子模块二，其中： 第四模块子模块一基于已知的对齐节点集合和共享特征，采用跨网络表示融合机制，通过融合来自不同网络的对齐节点特征，提升节点表示的一致性，得到融合的节点表示，其中每对对齐节点的融合节点表示的计算公式为： 7 式7中 和表示可训练的参数矩阵， 表示Sigmoid函数， 和表示偏置项， 表示元素级乘法操作， 节点u和节点v表示已知的对齐节点对，表示源网络中节点u的共享特征向量，表示目标网络中节点的共享特征向量； 第四模块子模块二融合的节点表示与其网络具体特征进行拼接后得到融合后的节点表征，计算公式为： 8 式8中表示拼接操作； 所述第五模块5，用于聚合节点邻域特征并提取节点嵌入表示，包括第五模块子模块一、第五模块子模块二，其中： 第五模块子模块一基于第四模块4跨网络融合后的节点特征，将原始图输入到图注意力网络GAT中，将节点的邻域信息通过不同的注意力系数，若以任意节点i为中心，根据其不同邻居的重要程度加权聚合到节点i上，得到聚合了邻域信息的节点表征，表示网络中节点数量，其中每个节点表征的计算公式为： 9 式9中 表示Elu激活函数； 表示节点i的邻居节点集合； 表示图注意力网络中节点聚合时的可训练权重参数； 表示节点i与其邻居节点j之间的注意力系数，根据节点i和其邻居节点的相关性计算，其计算公式为：10 式10中， 表示指数函数，表示可训练的向量，表示计算注意力系数时的可训练权重参数，表示非线性函数，表示拼接操作，表示节点i的跨网络融合后节点表示向量； 第五模块子模块二将重构源网络和重构目标网络输入到图注意力网络GAT中，重复调用并运行第五模块子模块一，通过计算注意力系数聚合中心节点的邻居信息，得到聚合邻域信息的节点表征。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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。