-
公开(公告)号：CN118941795B
公开(公告)日：2025-04-29
申请号：CN202411055982.4
申请日：2024-08-02
Applicant: 南通大学
IPC: G06V10/26 , G06V10/44 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06V10/80 , G06N3/08
Abstract: 本发明属于图像分割技术领域，具体涉及基于3D深度可分离卷积和EAM模块融合的医学图像分割方法。本发明方法采用EAM‑3D模块来提取特征信息，通过在深度、宽度和高度三个不同方向上计算注意力权重，增强特征表达能力。相比其他注意力机制，EAM‑3D模块的多方向注意力计算更为全面和有效。其他注意力机制通常只在某一维度上进行特征加权，而EAM‑3D模块在多个方向上进行注意力计算，使得其在处理高分辨率医学3D图像时具有显著优势。本发明方法通过在解码器的每个阶段生成不同分辨率的特征图，从粗到细、从全局到局部地进行特征图的多尺度信息捕获，最后通过融合不同阶段的特征图，可以更好地整合多层次信息，提高分割的精度和鲁棒性。
-
公开(公告)号：CN118505343B
公开(公告)日：2025-01-14
申请号：CN202410582454.8
申请日：2024-05-11
Applicant: 南通大学
IPC: G06Q30/0601 , G06F16/9536 , G06N3/0895 , G06N3/084 , G06N3/082 , G06N3/042 , G06N3/047
Abstract: 本发明具体涉及一种基于暂退法与去噪技术的图对比学习推荐方法，包括以下步骤：S1、数据预处理，将yelp2018数据集处理成用户、商品和评价星级的交互数据文件；S2、视图生成，通过用户与商品的交互数据集构建用户‑商品二分图，并分别使用暂退法和去噪技术生成新的第一视图与第二视图；S3、视图学习，使用多层GCN分别学习第一视图和第二视图的嵌入表示；S4、训练损失，使用BPR贝叶斯个性化排序损失函数和对比学习损失函数InfoNCE信息对比估计进行联合训练，反向传播以更新模型参数，优化模型效果；S5、预测，将第一视图和第二视图的嵌入表示相加，通过softmax函数获得预测结果；S6、性能评估，计算模型Recall召回率和NDCG归一化折损累计增益来校验模型性能。
-
公开(公告)号：CN118505343A
公开(公告)日：2024-08-16
申请号：CN202410582454.8
申请日：2024-05-11
Applicant: 南通大学
IPC: G06Q30/0601 , G06F16/9536 , G06N3/0895 , G06N3/084 , G06N3/082 , G06N3/042 , G06N3/047
Abstract: 本发明具体涉及一种基于暂退法与去噪技术的图对比学习推荐方法，包括以下步骤：S1、数据预处理，将yelp2018数据集处理成用户、商品和评价星级的交互数据文件；S2、视图生成，通过用户与商品的交互数据集构建用户‑商品二分图，并分别使用暂退法和去噪技术生成新的第一视图与第二视图；S3、视图学习，使用多层GCN分别学习第一视图和第二视图的嵌入表示；S4、训练损失，使用BPR贝叶斯个性化排序损失函数和对比学习损失函数InfoNCE信息对比估计进行联合训练，反向传播以更新模型参数，优化模型效果；S5、预测，将第一视图和第二视图的嵌入表示相加，通过softmax函数获得预测结果；S6、性能评估，计算模型Recall召回率和NDCG归一化折损累计增益来校验模型性能。
-
公开(公告)号：CN118395002A
公开(公告)日：2024-07-26
申请号：CN202410390698.6
申请日：2024-04-02
Applicant: 南通大学
IPC: G06F16/9535 , G06N3/0464 , G06N3/08 , G06F18/25 , G06Q50/00
Abstract: 本发明属于推荐系统技术领域，具体涉及一种基于超图卷积和社交关系的推荐方法。本发明通过超图卷积来捕捉三个及三个以上的用户节点之间的关系，解决了普通图结构仅通过边来反应节点之间的两两关系，使得模型可以更好地捕捉高阶关系。同时，本发明从原始数据中通过中心性关系采样邻居，用注意力机制聚集邻居，捕捉用户的社交数据，且融合了物品相关的辅助数据，缓解了当前社交关系数据应用中大多只考虑用户社交数据的问题。分析社交数据可以丰富用户的特征表示，挖掘用户间的潜在关系，通过分析这些潜在的关系更有利于推荐效果，可以根据新用户的过往社交数据为其推荐物品，一定程度上缓解了常规推荐系统的冷启动问题和数据稀疏性问题。
-
公开(公告)号：CN116503137A
公开(公告)日：2023-07-28
申请号：CN202310480864.7
申请日：2023-04-28
Applicant: 南通大学
IPC: G06Q30/0601 , G06F16/9535 , G06F18/214 , G06N3/042 , G06N3/0464 , G06N7/01 , G06N3/0895 , G06N3/084
Abstract: 本发明属于推荐系统技术领域，具体涉及一种基于对比学习改进的GCN推荐方法。本发明包括以下步骤：S1：数据预训练，将yelp2018的数据集转化为用户id、商品id，评价的交互数据集；S2：模型训练，通过用户商品交互的数据集构建邻接矩阵，并分别构建对应的嵌入向量，然后合并在一起并添加有向随机噪声；S3：训练损失，使用贝叶斯个性化排序BPR损失和对比学习损失InfoNCE联合训练；S4：预测，通过LightGCN进行传播，获取预测结果，并通过计算recall：召回率和NDCG：归一化折损累计增益，衡量模型性能。本发明是在嵌入空间中添加随机均匀噪声来构建对比学习中的正负对，即减少了模型训练的计算成本和计算时间，也提高了模型的鲁棒性和泛化能力，从而提高了模型的性能。
-
Patent Agency Ranking
公开(公告)号：CN115660735A
公开(公告)日：2023-01-31
申请号：CN202211386150.1
申请日：2022-11-07
Applicant: 南通大学
IPC: G06Q30/0202 , G06N20/20 , G06F18/214
Abstract: 本发明涉及机票价格预测领域，尤其涉及一种基于改进集成学习的机票价格预测方法。解决了节假日机票价格预测准确度不高的问题。其技术方案为：包括以下步骤：S1：采集历史航班特征和价格序列；S2：对于价格，使用箱线法对异常值进行筛选删除，对于空值采用均值填充；S3：将节假日的价格数据作为少数类，正常时期的价格作为多数类；S4：将构造出的样本与原本样本合成；S5：选定KNN，XGBoost，RF作为基学习器，LR作为元学习器；S6：将步骤S4中的训练集作为输入，输入至步骤S5的每个基学习器中；S7：将测试集训练好的基学习器模型的输入。本发明的有益效果为：本发明具有比传统集成模型更好的效果。
-
公开(公告)号：CN110825177B
公开(公告)日：2022-07-05
申请号：CN201810905580.7
申请日：2018-08-10
Applicant: 南通大学
IPC: G06F1/18
Abstract: 本申请提供了一种具有伸缩脚轮的计算机机箱，属于计算机领域。包括箱体，箱体包括底板，计算机机箱还包括位于底板下方的三个以上的脚轮，底板的上方设有层板，层板与底板之间形成有可容纳脚轮的第一腔体，底板上设有可供脚轮进入第一腔体的开口部，脚轮上连接有脚轮竖杆；层板上设有与每个脚轮一一对应的移动机构，移动机构包括：壳体，固定连接于层板的顶面，壳体中具有中空的第二腔体，第二腔体为圆柱形，第二腔体的一端与第一腔体连通设置；连接件，沿第二腔体的轴向可移动地设置于第二腔体内，且底部设有固定套设于脚轮竖杆上的套接部。本申请提供了一种具有伸缩脚轮的计算机机箱，通过脚轮移动机箱，避免人工搬运机箱。
-
公开(公告)号：CN110287011A
公开(公告)日：2019-09-27
申请号：CN201910523877.1
申请日：2019-06-17
Applicant: 南通大学
Abstract: 本发明提供了一种基于局部路径与截止期限分配的云工作流调度算法，属于云计算技术领域。其技术方案为：一种基于局部路径与截止期限分配的云工作流调度算法，包括两个阶段：期限分配与资源选择两个阶段，期限分配阶段中，全局任务DAG的截止期限在个体任务间进行分配，若每个任务可在其子期限内完成，则整个任务DAG可在截止期限内完成；资源选择阶段中，在满足任务子期限的同时，为每个任务选择最优资源完成任务调度。本发明的有益效果为：本发明的调度方法是将全局期限在所有工作流任务上进行分割，以得到任务的子期限，然后在实例提供时仅满足子期限。
-
公开(公告)号：CN103269342B
公开(公告)日：2016-03-02
申请号：CN201310173713.3
申请日：2013-05-10
Applicant: 南通大学
Abstract: 本发明公开了一种基于IPV6的高维大规模包匹配方法，把基于实数编码的差分演化算法与传统的包匹配算法相融合，在适应值设计上引入变异系数的思想，从而使问题的处理更具有客观性。通过引入分布性特征，自适应调整变异的剧烈程度，从而动态权衡种群的多样性和收敛性之间的矛盾。数值实验表明与传统算法相比，在速度、存储空间等综合性能上得到有效改善，另外本方法还有一个显著特点：包匹配的时间性能与规则数目之间具有很弱的相关性，从而本方法适合处理高维和大规模包匹配问题。
-
公开(公告)号：CN119379394A
公开(公告)日：2025-01-28
申请号：CN202411519672.3
申请日：2024-10-29
Applicant: 南通大学
IPC: G06Q30/0601 , G06F18/10 , G06F18/213 , G06F18/2415 , G06N3/0464 , G06N3/0895 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/042
Abstract: 本发明属于推荐方法技术领域，具体涉及一种基于多层卷积块和对比学习的跨域商品推荐方法。提高特征提取能力：多层卷积块能够有效提取商品的高维特征，包括图像和文本等多模态信息，从而提升推荐系统的准确性。增强模型的泛化能力：对比学习可以通过构建正负样本对来改进特征表示学习，增强模型对跨域商品推荐的泛化能力，使其在不同领域之间具有更好的迁移效果。缓解数据稀疏问题：跨域推荐可以利用多个领域的商品数据进行联合训练，有助于缓解某个领域数据稀疏的问题，从而提高推荐的覆盖率。降低冷启动影响：该方法能够通过对比学习机制有效挖掘跨域相似商品的特征关系，减轻推荐系统在新商品或新用户场景下的冷启动问题。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.028 seconds)
