公开(公告)号：CN114748053A

公开(公告)日：2022-07-15

申请号：CN202210216938.1

申请日：2022-03-07

Applicant: 东北大学

Inventor： 冯昊 ,  方翰铮 ,  董帅 ,  张明卫 ,  赵羽茜 ,  杨扬

IPC: A61B5/055

Abstract: 本发明公开了一种基于fMRI高维时间序列的信号分类方法及装置，涉及机器学习技术领域，仅使用功能磁共振成像数据而不考虑任何人口统计信息来对受试者进行分类，同时不需要专业人士进行特征标注的深度学习分类算法。数据的每个时间步通过使用卷积神经网络来自动提取特征，生成一个新的表示，然后输入到时序模型Transformer中对时序特征进行学习，最后对学习后的数据进行分类。与传统的机器学习方法相比，深度学习可以直接从复杂的高维数据中学习最佳的特征表示，省去了繁杂不稳定的特征选择过程。有助于解决特征选择方面的困难，与传统的机器学习分类器相比，更适合处理维度过大的原始数据。

公开(公告)号：CN115186097A

公开(公告)日：2022-10-14

申请号：CN202210017981.5

申请日：2022-01-07

Applicant: 东北大学

Inventor： 赵羽茜 ,  张明卫

IPC: G06F16/36 ,  G06F16/9535

Abstract: 本发明提供一种基于知识图谱和强化学习的交互式推荐方法，涉及交互式推荐技术领域。从建模整个交互式推荐过程角度出发，结合图注意力机制，语义相似性、结构相似性，加入好奇心机制，有效建模推荐过程并提高推荐性能指标，构建训练稳定且方差小的模型。克服现有模型中物品相关信息少，未参考邻居信息以及训练过程的候选集巨大造成的算法效率低下，同时提出了新的奖励设定机制。采用了双网络结构训练，加入了防止过拟合的优化设计，并设置了引入好奇心机制的奖励模拟器，从评分，知识图谱中节点距离，好奇心机制三个维度给出奖励的准则，并加入了减少策略方差的机制，模型训练稳定且效率显著提升。

公开(公告)号：CN109685158A

公开(公告)日：2019-04-26

申请号：CN201910014287.6

申请日：2019-01-08

Applicant: 东北大学

Inventor： 张明卫 ,  何秀秀 ,  肖云龙 ,  季子其

IPC: G06K9/62

CPC classification number: G06K9/6218

Abstract: 本发明属于计算机信息处理技术领域的，提出了一种基于强项集的聚类结果语义特征提取与可视化方法。本方法首先通过分析构建了基于强项集簇语义特征模型，能够直观、有效地描述每个簇的特征，提高聚类结果集的可解释性；然后提出了基于强项集的簇语义特征抽取算法CLCE，该算法具有较高的性能，可以有效地提取面向强类集的簇语义特征；最后给出了簇语义特征可视化的方法，进一步帮助领域专家理解聚类结果集中的每个簇，促进挖掘出的相关知识模型的应用。

公开(公告)号：CN109685158B

公开(公告)日：2020-10-16

申请号：CN201910014287.6

申请日：2019-01-08

Applicant: 东北大学

Inventor： 张明卫 ,  何秀秀 ,  肖云龙 ,  季子其

IPC: G06K9/62

Abstract: 本发明属于计算机信息处理技术领域的，提出了一种基于强项集的聚类结果语义特征提取与可视化方法。本方法首先通过分析构建了基于强项集簇语义特征模型，能够直观、有效地描述每个簇的特征，提高聚类结果集的可解释性；然后提出了基于强项集的簇语义特征抽取算法CLCE，该算法具有较高的性能，可以有效地提取面向强类集的簇语义特征；最后给出了簇语义特征可视化的方法，进一步帮助领域专家理解聚类结果集中的每个簇，促进挖掘出的相关知识模型的应用。