-
公开(公告)号：CN115115159A
公开(公告)日：2022-09-27
申请号：CN202111030602.8
申请日：2021-09-03
Applicant: 电子科技大学
IPC: G06Q10/06 , G06Q50/26 , G06F16/951 , G06F40/216 , G06F40/284 , G06N7/00
Abstract: 本发明公开了一种基于TF‑IDF与模糊贝叶斯网络的风险预测方法，涉及信息检索、数据挖掘和突发事件预测评估技术领域，该方法包括利用网络爬虫技术获取突发事件舆情数据；采用TF‑IDF文本分析技术获取突发事件影响因素，并结合突发事件生命周期演化模型构建突发事件指标体系；根据指标体系确定模糊贝叶斯网络拓扑结构，依据模糊理论、自然语言变量和解模糊法获取模糊贝叶斯网络拓扑结构父节点的先验概率分布；最后通过模糊贝叶斯网络推理技术预测突发事件的风险概率，为相关部门制定应急方案提供科学、合理的先发性预警支撑。
-
公开(公告)号：CN114547287A
公开(公告)日：2022-05-27
申请号：CN202111373234.7
申请日：2021-11-18
Applicant: 电子科技大学
IPC: G06F16/34 , G06F16/951 , G06F40/103 , G06F40/126 , G06F40/166 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 一种生成式文本摘要方法，属于自然语言处理技术领域。本发明在Word2Vec的CBOW模型基础上进行改进，融入了音节标注信息增强了文本的特征表示能力；采用基于LSTM的Encoder‑Decoder框架实现新闻摘要生成，并在生成过程中着力解决未登录词问题，有效提升了新闻摘要生成的效果。
-
公开(公告)号：CN114168845A
公开(公告)日：2022-03-11
申请号：CN202111406256.9
申请日：2021-11-24
Applicant: 电子科技大学
IPC: G06F16/9535 , G06N3/04
Abstract: 本发明涉及物品推荐领域，其公开了一种基于多任务学习的序列化推荐方法，提高系统推荐结果的准确率和多样性。该方法包括：S1、计算用户的意图向量表征信息，并与用户上下文信息、用户画像信息的Embedding表征进行特征拼接输入至双塔模型的用户侧，获取物品Embedding矩阵并输入至双塔模型的物品侧，生成初步的物品推荐列表；S2、采用基于卷积神经网络CNN和长短期记忆网络LSTM捕捉用户历史行为轨迹，并利用注意力机制从用户历史行为轨迹中捕捉与当前意图最相关的信息，结合初步物品推荐列表中的物品信息，通过滑动推理计算生成细粒度的有序推荐列表；S3、以细粒度的有序推荐列表作为输入，通过预训练的多任务学习神经网络模型调整序列的全局有序性，生成最终的推荐列表。
-
公开(公告)号：CN107203412A
公开(公告)日：2017-09-26
申请号：CN201710308867.7
申请日：2017-05-04
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于膜系统改进粒子群算法的云资源调度优化方法，本调度方法结合膜系统改进的粒子群算法，建立云环境下的资源调度模型，具体包括：抽象数据中心物理资源为粒子并初始化，划分膜系统为主膜和辅助膜，使得辅助膜内至少含有一个粒子，计算每个粒子的适应值并更新各粒子的速度和位置；根据适应值排序辅助膜内粒子，挑选优势粒子送入主膜；主膜接收辅助膜中的优势粒子后重新排序膜内粒子，丢弃劣质粒子更新粒子速度和位置，判断其是否满足判优条件，如不满足，则迭代计算，否则反编码最优解，得云资源调度最优调度方案，据最优方案放置虚拟资源，调配物理机计算用户需求，任务结束，回收资源。
-
公开(公告)号：CN118568364A
公开(公告)日：2024-08-30
申请号：CN202410790705.1
申请日：2024-06-19
Applicant: 电子科技大学(深圳)高等研究院
IPC: G06F16/9537 , G06F16/9535 , G06F18/22
Abstract: 本发明涉及兴趣点推荐技术，其公开了一种基于时空信息的用户动态兴趣点推荐方法，解决现有协同过滤方案存在的内容单一、静态化，以及基于深度学习的方案存在的数据稀疏性问题。该方法，基于目标用户当前时段的交互和其它用户在与当前时段属于相同时间段的交互，从空间和偏好两方面综合度量用户间的相似性，从而筛选出相似用户；然后，基于相似用户在该时段对目标用户历史交互的访问频次，构建静态的偏好列表；并基于相似用户各时间段的交互数据，建立状态转移模型，计算转移矩阵，在静态偏好列表的基础上利用转移矩阵计算出动态偏好，即推荐类别，最后以相似用户在该时间段的交互，基于推荐类别，为目标用户进行推荐。
-
Patent Agency Ranking
公开(公告)号：CN118521419A
公开(公告)日：2024-08-20
申请号：CN202410758358.4
申请日：2024-06-13
Applicant: 电子科技大学
IPC: G06Q50/00 , G06F18/22 , G06F18/20 , G06N3/042 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/088
Abstract: 本发明涉及社交网络数据分析技术，其公开了一种基于属性与结构融合的网络节点对齐方法，提高社交网络对齐的准确性。该方案中，首先对待对齐的两社交网络根据用户间的关系构建网络图；然后，基于网络图采用随机游走计算节点的关系嵌入，构建关系拓扑视图；采用图卷积神经网络计算节点初始的属性嵌入，之后将初始的属性嵌入转换至同一向量空间并利用双向WGAN网络进行重构，从而获得两网络图中节点的属性嵌入，以此构建属性视图；接着根据关系拓扑视图和属性视图分别计算两节点间的关系嵌入相似度和属性嵌入相似度，进行融合后获得两节点最终相似度；最后基于两个社交网络中的节点间的最终相似度，结合相似度阈值进行两个社交网络中的节点对齐。
-
公开(公告)号：CN116933871A
公开(公告)日：2023-10-24
申请号：CN202310749455.2
申请日：2023-06-21
Applicant: 电子科技大学
Abstract: 本发明公开了一种实体角色感知的n元关系链接预测方法，包括以下步骤：首先对n元关系事实进行预处理，提取主三元组和辅助信息事实数据，以json格式存储，并构造训练和测试使用的缺失节点的n元关系数据；然后查询实体或关系嵌入矩阵获得事实中节点嵌入表示；接着使用角色感知器计算实体在对应关系条件下的角色嵌入向量；随后将角色嵌入与节点嵌入相融合；最后通过transformer获取事实内节点之间的交互作用，输出缺失节点在实体或关系集上的概率分布。本发明提高了预测准确率，解决了现有n元关系链接预测方法忽略了实体在n元关系中扮演的角色对预测的重要性，导致链接预测准确度较低的问题。
-
公开(公告)号：CN116756319A
公开(公告)日：2023-09-15
申请号：CN202310749315.5
申请日：2023-06-21
Applicant: 电子科技大学
IPC: G06F16/35 , G06F40/284 , G06F18/213 , G06F18/2415 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种基于注意力网络的社交媒体文本细粒度情感分析方法，涉及深度学习领域，本发明采用了一种嵌套注意力机制，通过计算上下文文本与方面词之间的双向注意力来提取语义特征，充分获取方面词与上下文之间的双向注意力权重，捕获二者之间的交互关系。同时还使用了一种增强特征提取网络，将Transformer的输出作为双向LSTM的输入，利用双向LSTM的网络结构，弥补Transformen中通过位置编码只有序列的绝对位置信息，而失去了相对位置信息的问题，使得网络有着更强大的特征提取能力，进而使得本方法可以充分理解文本的语义信息，正确的划分目标方面的情感表达范围，提高情感分析准确率。
-
公开(公告)号：CN116702755A
公开(公告)日：2023-09-05
申请号：CN202310749338.6
申请日：2023-06-21
Applicant: 电子科技大学
IPC: G06F40/211 , G06F40/289 , G06F40/279 , G06F18/25 , G06N3/0442 , G06N3/042 , G06N3/0464 , G06N3/045
Abstract: 本发明公开了一种基于依存句法图和短语结构树的文档级关系抽取方法，包括以下步骤：对文档进行编码，通过预训练语言模型，获取文档的字符级嵌入表示和注意力矩阵；构建短语结构树，计算实体对间关系的预测值；构建包含两类节点和三类边的依存句法图，根据依存句法图和文档中的字符级嵌入表示计算实体对间基于依存句法关系的预测值；根据实体对间基于依存句法关系的预测值和实体对间关系的预测值得到最后的预测值，根据最后的预测值获得损失函数，利用损失函数训练依存句法关系模型，使用训练好的依存句法关系模型对待处理文档进行处理，实现文档级的关系抽取，本方案通过考虑文档的语法信息，来实现文档级关系抽取，提升了文档关系抽取效果。
-
公开(公告)号：CN114168845B
公开(公告)日：2023-08-15
申请号：CN202111406256.9
申请日：2021-11-24
Applicant: 电子科技大学
IPC: G06F16/9535 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明涉及物品推荐领域，其公开了一种基于多任务学习的序列化推荐方法，提高系统推荐结果的准确率和多样性。该方法包括：S1、计算用户的意图向量表征信息，并与用户上下文信息、用户画像信息的Embedding表征进行特征拼接输入至双塔模型的用户侧，获取物品Embedding矩阵并输入至双塔模型的物品侧，生成初步的物品推荐列表；S2、采用基于卷积神经网络CNN和长短期记忆网络LSTM捕捉用户历史行为轨迹，并利用注意力机制从用户历史行为轨迹中捕捉与当前意图最相关的信息，结合初步物品推荐列表中的物品信息，通过滑动推理计算生成细粒度的有序推荐列表；S3、以细粒度的有序推荐列表作为输入，通过预训练的多任务学习神经网络模型调整序列的全局有序性，生成最终的推荐列表。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.026 seconds)
