-
公开(公告)号：CN119782623A
公开(公告)日：2025-04-08
申请号：CN202411979263.1
申请日：2024-12-31
Applicant: 哈尔滨工业大学
IPC: G06F16/9535 , G06F18/22 , G06F40/30 , G06N5/04 , G06N3/042 , G06N3/045 , G06N3/0499
Abstract: 本发明一种基于数据因果图与反事实推理的用户偏好预测方法、系统及存储介质，涉及行为序列推荐领域，为解决现有的评分公式未充分考虑物品文本信息，且缺乏针对性去偏操作，可能将模型固有的偏差传递至最终的推荐结果中的问题。包括：步骤1、采集用户‑物品交互和物品文本数据；步骤2、构建大模型，基于大模型的序列推荐构建数据因果图，进行干预操作构建反事实世界并进行评分预测，通过计算序列与物品在真实世界和反事实世界中的匹配度、计算在真实世界和反事实世界中物品文本和序列的联合特征匹配度以及计算文本信息与序列的匹配程度，并引入超参λ2控制文本信息对结果的影响尺度，生成最终的预测评分公式；步骤3、通过大模型生成推荐结果。
-
公开(公告)号：CN119583368A
公开(公告)日：2025-03-07
申请号：CN202411431193.6
申请日：2024-10-14
Applicant: 哈尔滨工业大学
IPC: H04L41/147 , G06N3/0442 , G06N3/049 , G06N3/048 , G06N3/042 , G06N3/08 , G06F18/22 , G06F18/24 , H04L41/14 , H04L41/16
Abstract: 一种基于分层对比学习的时序异构网络链路预测方法及系统，涉及时序异构网络预测技术领域。本发明的目的是从节点级，边级和时间级三个不同微观视角对网络中的空间复杂性和时序复杂性进行挖掘和建模，以实现现实世界中时序异构网络中的节点连接行为的预测。技术要点：通过提出的链路预测方法存储节点表示向量的异构结构信息，捕获异构网络的时序演化过程，同时，捕捉异构快照之间的拓扑依赖关系，刻画复杂时序异构网络中的分布模式，从而预测实体之间动态和复杂的连接关系。不同节点和边之间的细粒度差分关系以及演变范式的区别直接影响表征学习，很大程度上影响链接预测的性能。本发明在社交推荐、交通管理中用于预测实体之间动态和复杂的连接关系。
-
公开(公告)号：CN119476419A
公开(公告)日：2025-02-18
申请号：CN202411615432.3
申请日：2024-11-13
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种多加速器异构SoC平台上深度学习负载映射优化方法及系统，涉及计算机性能能耗协同优化技术领域，用以提高深度学习推理应用的性能同时降低能耗。本发明的技术要点包括：首先提取有性能或能耗优化潜力的子网络；接着测量融合节点和子网络的性能和能耗数据；再建立解析的性能和能耗预测模型，以预测不同映射配置下推理引擎的运行时间和能耗；之后使用基于变长滑动窗口的映射优化算法搜索性能‑能耗更优的映射配置；最后生成推理引擎并遍历搜索最优的CUDA stream数量。本发明无需用户干预，可以全自动地找到性能‑能耗更优的映射配置并生成推理引擎。与现有的JEDI等方法相比，本发明性能提升更多，能耗节省也更多，同时优化过程所需时间也更短。
-
公开(公告)号：CN118504689A
公开(公告)日：2024-08-16
申请号：CN202410645417.7
申请日：2024-05-23
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于损失控制的分类模型成员推理防御方法及系统，涉及机器学习模型训练技术领域。本发明的技术要点包括：训练一种可防御成员推理攻击的神经网络模型；利用训练好的神经网络模型进行分类预测；其中可防御成员推理攻击的神经网络模型训练的核心包括软标签训练和损失上升：在软标签训练阶段，独热标签被替换为软标签，确保了训练样本的最小损失大于零；损失上升采用两种不同的目标来更新模型参数，提高了模型抵御成员推理攻击的鲁棒性的同时保持其效用。本发明通过交替执行软标签训练和损失上升两种策略，实现了隐私保护与模型效用之间的平衡，提升了隐私保护模型训练方法在机器学习领域的标准。
-
公开(公告)号：CN109299783A
公开(公告)日：2019-02-01
申请号：CN201811547553.3
申请日：2018-12-18
Applicant: 哈尔滨工业大学
IPC: G06N7/00 , G06F16/953
Abstract: 基于异构域迁移的舆情角色识别迁移系统，涉及数据挖掘和机器学习领域。为了解决现有技术面对纷繁复杂的网民信息无法进行有效地提取知识，不能在不同领域之间进行迁移学习，进而无法实现知识间接的共享的问题。所述系统为基于马尔科夫逻辑网的建立的舆情角色识别迁移模型，包括数据谓词化模块、结构学习模块、知识提取模块、知识迁移模块和参数学习模块，将领域知识谓词化转换成模型可以识别的知识进行结构学习并提取需要迁移的知识到目标域完成知识迁移，再通过参数学习模块进行参数学习获得迁移学习后的模型。采用将转换复杂度融入领域距离以及考虑单源域到单目标域的迁移学习界限的技术手段，实现了面对纷繁复杂的网民信息有效地提取迁移。
-
Patent Agency Ranking
公开(公告)号：CN119004255A
公开(公告)日：2024-11-22
申请号：CN202411043419.5
申请日：2024-07-31
Applicant: 哈尔滨工业大学
IPC: G06F18/2415 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/047 , G06N3/084
Abstract: 本发明公开了一种基于图注意力网络的静态异构网络链路预测方法及系统，涉及网络链路预测技术领域。本发明的技术要点包括：获取异构网络训练数据集和测试数据集，数据集包括异构图；利用预设的元路径在边类型为r的异构图上进行随机游走以生成路径集合，并从路径集合中获得样本批次；基于训练数据集和测试数据集训练链路预测模型；将待预测异构网络数据输入训练好的链路预测模型中进行链路预测。本发明在静态异构网络链路预测任务上具有显著优势。
-
公开(公告)号：CN118797155A
公开(公告)日：2024-10-18
申请号：CN202410789176.3
申请日：2024-06-19
Applicant: 哈尔滨工业大学
IPC: G06F16/9535 , G06F40/30 , G06V30/41 , G06V30/40 , G06V30/148 , G06V30/19 , G06V10/82 , G06N3/042 , G06N3/08
Abstract: 本发明公开了一种基于多视角跨模态语义对齐的多模态推荐方法及系统，涉及多模态推荐技术领域。本发明的技术要点包括：提取训练数据的用户信息、物品信息、用户‑物品交互信息和多模态辅助信息，所述多模态辅助信息包括文本模态和视觉模态；对多模态辅助信息进行处理，获取包含多模态嵌入文本表示和视觉表示的语义信息；将用户信息、物品信息、用户‑物品交互信息和语义信息输入多模态神经网络模型中进行训练；利用训练好的多模态神经网络模型进行多模态推荐。本发明解决了模态间语义鸿沟问题，通过多视角语义建模进行细粒度模态语义对齐，实验结果证明了本发明的优越性和有效性。
-
公开(公告)号：CN116842398B
公开(公告)日：2024-06-28
申请号：CN202310765614.8
申请日：2023-06-27
Applicant: 哈尔滨工业大学
IPC: G06F18/22 , G06N3/0499 , G06N3/048 , G06N3/0464 , G06F18/25 , G06N3/0455
Abstract: 本发明公开了一种基于屏蔽自注意力网络的话题感知信息转发预测方法及系统，涉及信息转发预测技术领域。本发明的技术要点包括：提取消息中的话题表示，将话题表示与用户嵌入进行融合表示，获得用户‑话题依赖表示；构建包含上下文编码器、掩码生成器、掩码编码器的屏蔽自注意力网络，将用户‑话题依赖表示输入屏蔽自注意力网络，获得上下文用户依赖感知的用户表示；利用注意力机制计算目标用户与历史感染用户列表的相似度，以对用户表示进行优化重建；通过计算对应优化重建后用户表示的级联表示与下一个用户之间的似然关系来获取下一个用户的激活概率。本发明可为舆情研判、个性化推荐、热点话题识别等应用提供有价值的决策辅助支撑。
-
公开(公告)号：CN117933304A
公开(公告)日：2024-04-26
申请号：CN202410177123.6
申请日：2024-02-08
Applicant: 哈尔滨工业大学
IPC: G06N3/044 , G06N3/042 , G06N3/0895
Abstract: 一种基于自监督的多视角会话推荐桥接模型，涉及会话推荐技术领域，本发明为了解决现有的会话推荐模型没有将基于序列和基于图的会话推荐方案进行整合，没有实现在整合图模式和序列模式的同时保留相应的特征以最大化单一模式优势并提高会话推荐模型整体性能，从图到序列的转换过程伴随着结构和会话间信息的丢失等问题。本发明利用自监督学习框架将基于序列和基于图的会话推荐这两种方案结合起来，将图模式和序列模式视为两个单独的通道，通过对比学习架构集成了上述两个通道。在DC‑Rec模型中，通过通道间对比桥接模块在会话中吸收图和序列知识。通过最大化两个通道之间的互信息，将两种模式信息进行了较为充分的融合。实验结果表明DC‑Rec始终优于其他最先进的会话推荐方法。
-
公开(公告)号：CN117112923A
公开(公告)日：2023-11-24
申请号：CN202311012484.7
申请日：2023-08-11
Applicant: 哈尔滨工业大学
IPC: G06F16/9536 , G06N3/0464 , G06N3/08 , G06N7/01 , G06N3/048
Abstract: 一种基于传播范围自适应的协同过滤方法及系统，涉及推荐技术领域，用以区分推荐系统中实体不同属性的传播范围。针对细粒度的实体多属性以及自适应传播范围，定义PDA‑GNN模型为：该模型框架利用用户和物品交互背后的实体属性多样性来提高推荐性能，框架包含四个主要部分：嵌入层、卷积层、注意力层以及预测层；嵌入层将用户和物品的ID映射到密集的嵌入向量上，每个节点拥有多个属性嵌入，其中每个用户的嵌入数量与GNN的最大传播深度一致；接下来，卷积层完成节点嵌入的传播和聚集，形成图上的嵌入聚集过程；然后，注意力层计算每个节点的属性嵌入注意力系数，并将多个属性嵌入整合到最终的嵌入表示中；最后，预测层根据用户与物品的最终嵌入表示完成用户与物品之间交互得分的预测。实验结果证明本发明提出的PDA‑GNN模型性能优越。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.07 seconds)
