-
公开(公告)号：CN119903230A
公开(公告)日：2025-04-29
申请号：CN202411823224.2
申请日：2024-12-12
Applicant: 苏州大学
IPC: G06F16/9535 , G16H20/60 , G06N3/047 , G06N3/0499 , G06N3/048 , G06N3/08
Abstract: 本发明涉及信息推荐技术领域，具体指一种基于多模态反事实学习的食谱推荐方法，包括：构建异构图；利用图神经网络，得到各用户节点网络融合嵌入特征作为各用户节点目标嵌入特征、各食谱节点在每种模态下网络融合嵌入特征；基于各食谱节点在每种模态下网络融合嵌入特征，利用多模态特征解耦模块，得到各食谱节点模态共享嵌入特征、模态特定嵌入特征和模态融合嵌入特征后，再利用反事实学习网络，得到各食谱节点最终反事实嵌入特征；融合各食谱节点模态共享嵌入特征、模态特定嵌入特征和最终反事实嵌入特征作为各食谱节点目标嵌入特征；将各用户节点、食谱节点目标嵌入特征输入预测模块，输出各用户与各食谱之间预测得分。本发明提高食谱推荐精度。
-
公开(公告)号：CN116596025B
公开(公告)日：2024-09-10
申请号：CN202310408150.5
申请日：2023-04-17
Applicant: 苏州大学
IPC: G06N3/045 , G06N3/08 , G06Q50/00 , G06F18/213
Abstract: 本发明涉及一种基于级联关系多样性的信息流行度预测方法和系统，方法包括：获取每条信息p的观测级联Cp，并根据所述观测级联Cp获取级联图gp和时间节点序列τp；将所述级联图gp和时间节点序列τp输入编码模块生成全局时空特征、不同节点的相对时空特征和不同节点用户间的节点关系特征，并将所述全局时空特征融入级联图gp的节点初始特征X中得到节点特征矩阵X；通过所述多个互连的自注意力模型以实现对所述观测级联Cp进行建模，得到级联图表示Hc；通过所述预测层对多个互连的自注意力模型输出的级联图表示Hc进行预测，得到信息p的流行度。本发明在信息流行度预测中考虑了用户之间的偏好属性、并且考虑了不同信息对应级联间的关系。
-
公开(公告)号：CN116775989A
公开(公告)日：2023-09-19
申请号：CN202310555397.X
申请日：2023-05-17
Applicant: 苏州大学
IPC: G06F16/9535 , G06F18/214 , G06F18/25 , G06F18/22 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及一种基于时效性辅助任务驱动的个性化论文推荐方法，包括以下步骤：构建学术HIN图，并用HIN子图提取函数提取长时间跨度和短时间跨度内的HIN子图。对BERT经典语言模型的输出添加全连接层进行微调来获取论文关键词语义特征，通过自注意力机制聚合关键词语义特征获取论文内容特征，通过自注意力机制聚合论文内容特征得到当前用户研究方向特征。在两种时间跨度的HIN子图中嵌入GNN网络，捕获用户阅读偏好特征和论文受众偏好特征。通过本发明中cfLSTM预测器进行多时间跨度下相关特征捕捉。计算用户研究方向与论文内容的匹配度以及计算用户阅读偏好和论文受众偏好的匹配度，将两种匹配度线性融合得到推荐概率值。
-
公开(公告)号：CN116596025A
公开(公告)日：2023-08-15
申请号：CN202310408150.5
申请日：2023-04-17
Applicant: 苏州大学
IPC: G06N3/045 , G06N3/08 , G06Q50/00 , G06F18/213
Abstract: 本发明涉及一种基于级联关系多样性的信息流行度预测方法和系统，方法包括：获取每条信息p的观测级联Cp，并根据所述观测级联Cp获取级联图gp和时间节点序列τp；将所述级联图gp和时间节点序列τp输入编码模块生成全局时空特征、不同节点的相对时空特征和不同节点用户间的节点关系特征，并将所述全局时空特征融入级联图gp的节点初始特征X中得到节点特征矩阵X；通过所述多个互连的自注意力模型以实现对所述观测级联Cp进行建模，得到级联图表示Hc；通过所述预测层对多个互连的自注意力模型输出的级联图表示Hc进行预测，得到信息p的流行度。本发明在信息流行度预测中考虑了用户之间的偏好属性、并且考虑了不同信息对应级联间的关系。
-
公开(公告)号：CN111125752B
公开(公告)日：2023-08-01
申请号：CN201911229679.0
申请日：2019-12-04
Applicant: 苏州大学
IPC: G06F21/62
Abstract: 本发明公开了一种边缘计算环境中的隐私保护方法，基于正交向量的安全编码实现，包括获取基于正交向量的安全编码边缘计算所在网络的参数；使用任务分配算法将计算任务的一方输入数据分块、加入随机块编码，分配到相应的边缘节点；计算编码矩阵的零空间向量的基向量，根据A的参数发送部分零空间的基向量给用户设备；用户有输入数据之后产生在线计算需求；用户接收到边缘节点返回的所有的中间结果之后，利用系数编码矩阵进行解码，得到所需结果。本发明在基于安全编码的边缘计算中，采用线性编码和添加随机块来保护了计算双方的隐私性，同时利用零空间向量的正交性，设计用户端所添加的随机块，降低了通信负载和解码复杂度，获得低延迟、高效安全的边缘计算隐私保护。
-
Patent Agency Ranking
公开(公告)号：CN115470994A
公开(公告)日：2022-12-13
申请号：CN202211122697.0
申请日：2022-09-15
Applicant: 苏州大学
Abstract: 本发明涉及社交网络及其应用领域，公开一种基于显式时间和级联注意力的信息流行度预测方法和系统，方法包括：提取观测级联样本中的级联图、级联序列和级联节点对应的转发时间序列，使用显式时间嵌入模型获取包含时间属性的节点特征向量；使用级联注意力网络建模级联图和级联序列得到级联表示，将级联表示输入多层感知机得到预测流行度，根据预测流行度和实际流行度值建立损失函数；使用观测级联样本训练整体模型，训练完成对待预测的级联样本进行预测；系统包括显式时间嵌入模块、级联注意力模块、回归模块、训练模块和预测模块。本发明有效捕获级联的时序性、充分捕获级联图和级联序列信息、提高预测效率和准确性。
-
公开(公告)号：CN113934534B
公开(公告)日：2022-12-06
申请号：CN202111136713.7
申请日：2021-09-27
Applicant: 苏州大学
Abstract: 本发明公开了一种异构边缘环境下多用户序列任务计算卸载方法，包括以下步骤：根据系统参数、设备和边缘服务器信息，构建多用户序列任务卸载模型；根据构建的多用户序列任务卸载模型，将卸载问题转换为带时延和服务器负载约束的非线性整数规划问题；采用基于正规方程的求导方法，得到非线性整数规划问题的近似解，并对近似解进行归一化处理，得到可执行的卸载策略。本发明在异构边缘环境下，能够在满足序列性任务完成时延和边缘服务器计算负载约束下，降低边缘设备总响应延迟。
-
公开(公告)号：CN114610989B
公开(公告)日：2022-11-18
申请号：CN202210170463.7
申请日：2022-02-23
Applicant: 苏州大学
IPC: G06F16/9535 , G06F16/36 , G06F16/335 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于异构图动态信息补偿的个性化论文推荐方法，方法首先从学术HIN中按照有向边以及节点出入度游走方式提取多样化的交互元路径；然后通过采样得到的多种元路径来学习用户节点和论文节点的嵌入并用全连接层进行融合，作为总体兴趣和受众趋势的表达，再利用结合了注意机制的双向长短期记忆神经网络(Bi‑LSTM)捕捉隐藏在用户、论文历史数据中的动态变化，来融合成短期变化趋势的表达；最后，利用用户和论文短期变化趋势表达得到的链接预测结果来补偿总体趋势表达得到的链接预测结果，从而使推荐结果更加符合用户当前的偏好，解决现有方法存在的路径采样不全面、无法挖掘用户兴趣以及论文受众变化的问题。
-
公开(公告)号：CN113934534A
公开(公告)日：2022-01-14
申请号：CN202111136713.7
申请日：2021-09-27
Applicant: 苏州大学
Abstract: 本发明公开了一种异构边缘环境下多用户序列任务计算卸载方法，包括以下步骤：根据系统参数、设备和边缘服务器信息，构建多用户序列任务卸载模型；根据构建的多用户序列任务卸载模型，将卸载问题转换为带时延和服务器负载约束的非线性整数规划问题；采用基于正规方程的求导方法，得到非线性整数规划问题的近似解，并对近似解进行归一化处理，得到可执行的卸载策略。本发明在异构边缘环境下，能够在满足序列性任务完成时延和边缘服务器计算负载约束下，降低边缘设备总响应延迟。
-
公开(公告)号：CN111049814B
公开(公告)日：2021-09-28
申请号：CN201911229659.3
申请日：2019-12-04
Applicant: 苏州大学
Abstract: 本发明公开了一种在边缘计算环境中针对污染攻击的计算验证的方法，在云端随机生成零空间向量矩阵和标记验证矩阵，得到完成两次扩展的编码数据块；进行行序随机重排，并将重排后的行号记录进集合并发送给边缘设备；用户向云端发送计算请求后，云端将边缘节点信息、编码系数矩阵、零空间验证矩阵、零空间扩展行与标记行行序号记录发送给用户节点；用户将输入矩阵发送给边缘设备，获得中间计算结果；用户对接收到的计算结果进行标记行验证和零空间验证从而确定正确计算结果；用户在得到某个固定数量的正确中间结果后进行解码并获得最终的计算结果。本发明给出的基于编码边缘计算的可验证计算方案，能够在用户付出较少计算代价的情况下对计算结果进行正确性验证。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.025 seconds)
