公开(公告)号：CN111178986B

公开(公告)日：2023-04-07

申请号：CN202010098177.5

申请日：2020-02-18

Applicant: 电子科技大学

Inventor： 王庆先 ,  张枭 ,  王昊天 ,  李欣欣

IPC: G06Q30/0201 ,  G06Q30/0202 ,  G06Q30/0282 ,  G06Q30/0601

Abstract: 本发明公开了一种用户‑商品偏好的预测方法及系统，涉及计算机数据处理技术领域，其中预测系统包括日志召回模块、数据预处理模块、参数控制模块、模型训练模块、预测结果生成模块和数据输出模块，该方法利用深度学习突出的表征能力，通过在预测模型中引入深度学习思想，利用其表征能力来挖掘用户和商品的隐含特征，从而提供准确的用户‑商品评分预测结果，为用户提供个性化、便捷的推荐服务；同时本发明还加入了并行计算来缩短训练时间，实现了在保证准确性的同时将模型的计算消耗限制在可接受的范围内，确保其具有商用价值，可泛用于各种推荐系统。

公开(公告)号：CN114998653A

公开(公告)日：2022-09-02

申请号：CN202210587274.X

申请日：2022-05-24

Applicant: 电子科技大学

Inventor： 陈波 ,  邓媛丹 ,  陈圩钦 ,  曾俊涛 ,  朱舜文 ,  王庆先

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/80 ,  G06V20/13

Abstract: 本发明属于图像分类技术领域，具体涉及一种基于ViT网络的小样本遥感图像分类方法。本发明基于ViT的小样本SAR图像分类方法将多模态特征融合机制引入到Transformers编码器中，通过将图像特征进行融合，解决了因为数据集量小而导致模型获取信息量变少的情况。此外，由于序列模型难以对层次信息进行有效表达，因此将多头自注意力机制引入到Transformers编码器中，在可以并行计算的同时，还提高了对长距离依赖关系的捕捉能力。采用本发明技术方案后，利用多模态特征融合技术以及多头自注意力机制解决ViT网络模型参数冗杂且训练时间过长难以落地的问题。

公开(公告)号：CN112184341B

公开(公告)日：2022-07-08

申请号：CN202011244627.3

申请日：2020-11-10

Applicant: 电子科技大学

Inventor： 王庆先 ,  张仁建 ,  李昊杰 ,  黄庆 ,  常奥

IPC: G06Q30/02 ,  G06Q30/06 ,  G06F16/36 ,  G06N3/04

Abstract: 本发明公开了一种基于档案网络的美食推荐方法，本方法结合了实体之间的关系本身包含的信息，引入了档案网络分别处理用户长期兴趣和用户评论数据，并通过改进后的LSTM序列模型将用户短期兴趣融合，最终通过上下文来确定他们的重要程度，因此本方法容纳了大量的关联信息和隐藏语义，使得学习得到的用户表示质量更佳，美食推荐结果更准确，具备部署可行性和卓越的推荐效果。

公开(公告)号：CN112633494A

公开(公告)日：2021-04-09

申请号：CN202011492102.1

申请日：2020-12-17

Applicant: 电子科技大学

Inventor： 陈波 ,  史特 ,  左御丁 ,  王庆先

IPC: G06N3/08 ,  G06N3/04 ,  G06N20/00

Abstract: 本发明公开了一种基于自动机器学习的神经网络结构自动搜索方法，包括以下步骤：S1：基于神经网络的单元cell，确定搜索空间S；S2：利用搜索策略从搜索空间S中选择一个具体结构s；S3：基于搜索空间S，利用搜索策略对具体结构s进行搜索，并将搜索结果返回至搜索策略，完成神经网络结构的自动搜索。本发明的搜索方法泛化能力强，可以应用于多种场景，如计算机视觉和自然语言处理，尤其是面向金融领域的智能客服行业的应用效果较为明显，可以明显降低建模过程中的时间成本，提升建模效率。

公开(公告)号：CN112184341A

公开(公告)日：2021-01-05

申请号：CN202011244627.3

申请日：2020-11-10

Applicant: 电子科技大学

Inventor： 王庆先 ,  张仁建 ,  李昊杰 ,  黄庆 ,  常奥

IPC: G06Q30/02 ,  G06Q30/06 ,  G06F16/36 ,  G06N3/04

Abstract: 本发明公开了一种基于档案网络的美食推荐方法，本方法结合了实体之间的关系本身包含的信息，引入了档案网络分别处理用户长期兴趣和用户评论数据，并通过改进后的LSTM序列模型将用户短期兴趣融合，最终通过上下文来确定他们的重要程度，因此本方法容纳了大量的关联信息和隐藏语义，使得学习得到的用户表示质量更佳，美食推荐结果更准确，具备部署可行性和卓越的推荐效果。

公开(公告)号：CN111311324A

公开(公告)日：2020-06-19

申请号：CN202010098124.3

申请日：2020-02-18

Applicant: 电子科技大学

Inventor： 王庆先 ,  张枭 ,  陈彪 ,  马康康

IPC: G06Q30/02 ,  G06Q30/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了基于稳定神经协同过滤的用户-商品偏好预测系统，包括数据预处理模块、与数据预处理模块连接的数据存储模块、分别与数据存储模块连接的参数控制模块、数据输出模块和预测结果生成模块，以及与参数控制模块连接的模型训练模块，预测结果生成模块分别与参数控制模块以及模型训练模块连接。基于上述系统，本发明还提供了基于稳定神经协同过滤的用户-商品偏好预测方法。本发明旨在利用噪声模拟用户恶意攻击时的数据波动，通过引入指导模型辅助训练，对已知用户-商品评分数据的内在统计规律进行分析，从而提供稳定准确的用户-商品评分预测结果，为用户提供个性化、安全、可靠的金融产品推荐服务。