-
公开(公告)号：CN113806534B
公开(公告)日：2023-04-18
申请号：CN202111032195.4
申请日：2021-09-03
Applicant: 电子科技大学
IPC: G06F16/35 , G06F16/34 , G06F40/289 , G06N3/042 , G06N3/0464 , G06N3/048 , G06Q10/04 , G06Q50/00
Abstract: 本发明属于热点事件预测技术领域，具体提供一种面向社交网络的热点事件预测方法，用以解决现有技术中文本数据价值挖掘不够、动态时序特征与上下文语义信息利用不充分等技术问题。本发明首先，基于图卷积神经网络捕捉文本邻域语义信息，能够充分挖掘关键词语之间的依存关系；其次，提出维度注意力机制，改进图神经网络的动态分层传播方式，通过维度注意力机制生成重点特征摘要，并将其用于缩放原特征，自适应地调整各个维度特征响应值，增加事件预测中有价值词语的权重，同时抑制价值较弱词语的权重，即充分捕捉社交网络文本时变信息；最终，基于关键词语邻域信息与时序信息充分挖掘文本数据价值，提高模型预测的准确率，具有实用价值。
-
公开(公告)号：CN110348014B
公开(公告)日：2023-03-24
申请号：CN201910620461.1
申请日：2019-07-10
Applicant: 电子科技大学
IPC: G06F40/30 , G06F40/289 , G06V10/74 , G06F18/22 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 发明公开了一种基于深度学习的语义相似度计算方法，涉及语义相似度计算领域；其包括步骤1：构建训练数据集，并预处理训练数据获取one‑hot稀疏向量；步骤2：构建包括N层BI‑LSTM网络、残差网络、相似度矩阵、CNN卷积神经网络、池化层和全连接层的语义相似度计算网络模型；步骤3：将one‑hot稀疏向量输入上述网络模型，利用训练数据集训练参数，完成有监督训练；步骤4：将待测文本输入已训练的上述网络模型，判定是否为相似文本后输出结果。本发明语义相似度计算网络模型包括多层BI‑LSTM网络、残差网络、CNN卷积神经网络、池化层和全连接层，同时使用BI‑LSTM网络和CNN卷积神经网络，BI‑LSTM网络中加入残差网络，克服了多层网络带来的梯度消失问题，增强了模型的特征提取能力。
-
公开(公告)号：CN113806534A
公开(公告)日：2021-12-17
申请号：CN202111032195.4
申请日：2021-09-03
Applicant: 电子科技大学
Abstract: 本发明属于热点事件预测技术领域，具体提供一种面向社交网络的热点事件预测方法，用以解决现有技术中文本数据价值挖掘不够、动态时序特征与上下文语义信息利用不充分等技术问题。本发明首先，基于图卷积神经网络捕捉文本邻域语义信息，能够充分挖掘关键词语之间的依存关系；其次，提出维度注意力机制，改进图神经网络的动态分层传播方式，通过维度注意力机制生成重点特征摘要，并将其用于缩放原特征，自适应地调整各个维度特征响应值，增加事件预测中有价值词语的权重，同时抑制价值较弱词语的权重，即充分捕捉社交网络文本时变信息；最终，基于关键词语邻域信息与时序信息充分挖掘文本数据价值，提高模型预测的准确率，具有实用价值。
-
公开(公告)号：CN109344288B
公开(公告)日：2021-09-24
申请号：CN201811092609.0
申请日：2018-09-19
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多模态特征结合多层注意力机制的结合视频描述方法，本发明首先统计描述语句中出现的单词，形成词汇表，并为每个词进行编号，方便进行向量表示。然后提取三种特征数据，包括语义属性特征、2D‑CNN提取的图像信息特征和3D‑CNN提取的视频运动信息特征，再通过多层注意力机制对其进行多模态数据动态融合，得到视觉信息，然后根据当前上下文，调整对视觉信息的使用；最后，根据当前上下文及视觉信息，生成视频描述的单词。本发明通过多层注意力机制对视频的多模态特征进行融合后，再基于此生成视频的语义描述，有效提升了视频描述的准确性。
-
公开(公告)号：CN112784064A
公开(公告)日：2021-05-11
申请号：CN202110117804.X
申请日：2021-01-28
Applicant: 电子科技大学
Abstract: 本发明属于知识图谱技术领域，其公开了一种面向社交网络的层次化超维知识图谱构建方法。社交网络中商品相关信息错综复杂，利用现有知识图谱难以有效转化。本发明首先分析社交网络中各类信息的组成结构，定义对应超维知识图谱架构；然后抽取出有关商品推荐的特定知识，按照其性质进行概念分层，并根据其对应关系建立层与层之间的关联映射；再将获取到的知识按照已构建的结构模式进行组织，实现多元组的转换；最后利用得到的社交网络知识图谱，结合具体用户的个人喜好信息，推荐与之匹配度较高的商品，提高了社交网络中与商品相关知识的描述和组织能力，提高了对复杂多元社交网络实体关系的表达能力，实现了对社交网络商品推荐明确、有效支撑。
-
Patent Agency Ranking
公开(公告)号：CN112380325A
公开(公告)日：2021-02-19
申请号：CN202010978007.6
申请日：2020-09-17
Applicant: 电子科技大学
IPC: G06F16/332 , G06F16/36 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于联合知识嵌入模型和事实记忆网络的知识图谱问答系统，属于知识图谱问答技术领域。本发明包括知识嵌入模块和问答推理模块；其中知识嵌入模块用于对知识图谱中的三元组进行向量表示；问答推理模块用于对用户输入的问题进行提取处理，并通过事实记忆网络在知识图谱上进行问题答案推理和输出。在嵌入过程中整合了三元组的结构特征和实体、关系的语义特征，保证了知识嵌入的准确性和合理性；使用事实记忆网络来对问题答案推理，保证了整个推理模型的鲁棒性和推理结果的准确性，同时使用了事实列表来保证整个过程的可解释性。本问答系统能够针对用户的问句给出精确的结果；同时，也方便维护者进行错误回溯，使得整个系统易于维护。
-
公开(公告)号：CN112214685A
公开(公告)日：2021-01-12
申请号：CN202011031287.6
申请日：2020-09-27
Applicant: 电子科技大学
IPC: G06F16/9536 , G06F16/9535 , G06F16/36
Abstract: 本发明公开一种基于知识图谱的个性化推荐方法，属于推荐技术领域。本发明为了解决协同过滤等传统推荐方式中存在的数据稀疏性和冷启动技术问题，其采用的方案为：构建知识图谱，利用知识图谱的实体之间的语义关联信息，挖掘知识网络中用户的喜好；实体链接，通过将用户点击实体映射到知识图谱，找到对应的实体，完成知识图谱与推荐系统的链接；基于知识图谱的语义关系信息以及用户历史喜好，利用图注意力模型将两种信息进行合并，从而产生推荐依据。本发明通过挖掘用户历史喜好利用丰富的知识关联信息，深度挖掘用户的喜好，极大地提高了推荐处理的尽精确度。同时，利用知识图谱隐含的丰富语义信息为推荐带来多样性，提升推荐的可解释性。
-
公开(公告)号：CN109451017A
公开(公告)日：2019-03-08
申请号：CN201811314632.X
申请日：2018-11-06
Applicant: 电子科技大学
IPC: H04L29/08
Abstract: 本发明公开一种云环境下基于粒度计算的动态云计算资源管理方法，包括如下步骤：S101.建立智能化的复合粒度动态云资源组织模型；S102.建立规模化的复合粒度云用户服务请求的动态计算模型；S103.设计基于语义计算的动态云服务资源发现与调度算法。本发明引入粒度计算的分而治之的特性来减低动态云计算资源以及云环境下用户请求的复杂性，引入语义计算思想，充分抽取云资源与云用户请求的语义，设计基于语义的资源发现与调度算法，实现了云计算服务资源的高效共享，在理论研究和实际应用方面都具有重要的意义和价值，应用到云计算服务企业中，应用效果将改善约30％，极大地推动了云计算向前发展。
-
公开(公告)号：CN118780354A
公开(公告)日：2024-10-15
申请号：CN202410747053.3
申请日：2024-06-11
Applicant: 电子科技大学
IPC: G06N5/022 , G06N3/0442 , G06N3/092
Abstract: 本发明公开了一种时序知识图谱补全方法，包括S1、构建时序知识图谱；S2、基于时序知识图谱中的已知历史事实，学习实体和关系随时间变化的模式，确定历史词汇向量，并对其进行优化，进而计算历史网络结构中历史实体概率；S3、基于时序知识图谱中的全部事实，通过关系嵌入向量显式引入关系编码，进而计算全局网络结构中全部实体概率；S4、结合历史实体概率和全部实体概率，得到每个备选对象实体作为待补全对象实体的最终概率，并根据其进行时序知识图谱补全。本发明通过基于时序嵌入的知识补全机制，学习历史网络结构中实体和关系随时间变化的模式，增强网络节点关系的链接预测能力，提升时序知识图谱嵌入的精度和时序知识图谱完整性。
-
公开(公告)号：CN116720155A
公开(公告)日：2023-09-08
申请号：CN202310749302.8
申请日：2023-06-21
Applicant: 电子科技大学
IPC: G06F18/25 , G06F18/213 , G06F40/289 , G06V10/40 , G06V10/82 , G06V10/764 , G06V20/40 , G06N3/049 , G06N3/0464
Abstract: 本发明公开了一种基于多模态数据的重大突发事件舆情趋势预测方法，涉及网络技术领域，其包括以下步骤：采集重大突发事件的舆情数据并对其进行预处理，得到预处理后的舆情数据；根据预处理后的舆情数据的类型进行特征提取，获取各类型舆情数据的情感向量；将各类型舆情数据的情感向量与数值型的传播特征进行加权融合，得到舆情综合流行度；使用TCN时间序列预测模型对舆情综合流行度进行预测，完成基于多模态数据的重大突发事件舆情趋势预测。本方法解决了现有技术在舆情趋势预测时难以兼顾多模态数据使用和长序列信息处理，导致预测准确率低的问题。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.049 seconds)
