-
公开(公告)号：CN117078798A
公开(公告)日：2023-11-17
申请号：CN202310800137.4
申请日：2023-07-03
Applicant: 中国人民大学
Abstract: 本发明涉及一种基于强化学习的改进文本到图像生成的自动编辑提示的方法。该方法使用奖励网络和编辑网络。奖励网络估计与编辑提示相对应的生成图像的质量以及它们之间的语义对齐程度。为了预训练奖励网络，使用从DiffusionDB等已建立的数据库中获得的提示图像对齐分数和图像美学分数作为标签。基于GPT架构的编辑网络为输入提示符生成修饰符。它在离线强化学习中训练，在给定目标奖励的条件下产生期望的提示。本发明方法可以有效地编辑提示符，而无需重复运行生成模型。实验结果表明，经过本发明方法编辑的提示可以生成与原始输入语义一致、符合人类偏好的高质量图像。
-
公开(公告)号：CN112182154B
公开(公告)日：2023-10-10
申请号：CN202011021940.0
申请日：2020-09-25
Applicant: 中国人民大学
IPC: G06F16/33 , G06F16/9535 , G06F40/30 , G06F18/214
Abstract: 本发明通过人工智能领域的方法，实现了一种利用个人词向量消除关键词歧义的个性化搜索模型，包括预训练词向量模块、个性化排序模型、在线更新模块三部分。通过为每个用户设置用户个人的词向量矩阵，得到查询和文档的个性化词向量表示，再通过注意力机制获得查询和文档的上下文表示以及基于会话的查询意图表示。然后，通过搭建一个多任务框架，利用个性化排序和查询重构两个任务来联合训练个人词向量和排序模型。并且为使个人词向量包含用户的最新兴趣，设计三种在线调整词向量的方法。通过上述手段，实现了直接计算查询和文档个性化表示的匹配得分、帮助消除查询关键词的歧义、明确用户的查询意图、提高计算文档个性化得分效率的技术效果。
-
公开(公告)号：CN113487027B
公开(公告)日：2023-09-22
申请号：CN202110773058.X
申请日：2021-07-08
Applicant: 中国人民大学
IPC: G06N3/084
Abstract: 本发明涉及机器学习技术领域，为基于时序对齐预测的序列距离度量方法、存储介质及芯片，包括步骤：先构建保序对齐预测(OAP)模型，对OAP模型进行自监督训练。保序对齐预测距离采用轻量级类似transformer的神经网络直接预测两个序列之间的最优对齐，因此在推理时只需要直接计算，不涉及优化。可以应用在序列分类和检索任务中，在获得和别的序列距离相当的性能同时，具有更快的推理速度。该方案提出的保序对齐预测OAP距离是可学习的序列距离，在推理中只需要直接计算，具有良好的可解释性；其次，通过设计产生近似真实对齐的序列增强方法，在此基础上，提出了自监督的OAP学习方法，不需要标注训练序列；此外，OAP距离可以方便地实现端到端的监督表征学习。
-
公开(公告)号：CN112883170B
公开(公告)日：2023-08-18
申请号：CN202110073633.5
申请日：2021-01-20
Applicant: 中国人民大学
IPC: G06F16/332 , G06N3/042
Abstract: 本发明涉及一种用户反馈引导的自适应对话推荐方法和系统，其特征在于包括以下步骤：1)获取日志数据，包括日志数据中收集的历史用户活动以及物品和属性之间的关系；2)基于获取的日志数据以及用户的在线反馈，构建反馈引导的偏好适应网络模型；其中，用户的在线反馈包括属性级反馈和物品级反馈；3)基于当前对话状态以及反馈引导的偏好适应网络模型与用户进行交互，交互内容包括选择询问某个属性或作出推荐，并基于用户的在线反馈确定对话结束或进入下一轮对话。本发明可以广泛应用对话推荐系统。
-
公开(公告)号：CN116561252A
公开(公告)日：2023-08-08
申请号：CN202310463448.6
申请日：2023-04-26
Applicant: 中国人民大学
Abstract: 本发明通过人工智能领域的方法，实现了一种用于司法类案匹配的因果表征学习框架。采用基于工具变量回归的因果表征学习框架，首先通过处理变量分解模块，采用两个架构相同treatment重构模块分别处理源案例和目标案例，分别输出重建的嵌入向量，生成法律条文对于法律案件的直接因果效应，分别得到拟合部分和残差部分，之后采用处理变量重构模块，将拟合部分和残差部分通过注意权重重新组合在一起，最后通过下游应用模块，将每个输入文档表示为向量，并根据表示预测匹配得分。本发明提供的方法以合理的方式将法律条文引入到法律案例匹配的过程中，通过将法律条文视为工具变量，将法律案例视为处理变量，从而将中介效应和直接效应从法律案例中分解出来。
-
Patent Agency Ranking
公开(公告)号：CN112507245B
公开(公告)日：2023-07-18
申请号：CN202011414193.7
申请日：2020-12-03
Applicant: 中国人民大学
IPC: G06F16/9536 , G06F16/901 , G06N3/042 , G06N3/047 , G06N3/082
Abstract: 本发明公开了一种基于图神经网络的社交网络好友推荐方法，包括：将所有用户及用户间的关系转换为图结构。将所有用户属性信息映射为数值型向量，得到属性矩阵。执行L层属性转移概率计算，从而得到图结构的目标用户和待推荐用户聚合领域信息后的属性信息。将属性信息输入至深层神经网络进行编码，从而得到宿节点和其余待推荐节点编码后的信息，且根据编码信息计算得出宿节点相对于每一其他待推荐节点的相关性分数，并将相关性分数作为推荐的衡量标准，进行好友推荐。借此，本发明的基于图神经网络的社交网络好友推荐方法，提高了社交用户相关性评估的效率，从而提高了好友推荐速度。
-
公开(公告)号：CN112182159B
公开(公告)日：2023-07-07
申请号：CN202011055580.6
申请日：2020-09-30
Applicant: 中国人民大学
IPC: G06F16/33 , G06F16/332 , G06F40/211 , G06F40/216 , G06F40/30 , G06N3/0442
Abstract: 本发明涉及一种基于语义表示的个性化检索式对话方法和系统，包括以下步骤：S1从用户发言历史语句集中抽取出个性化特征语句p；S2根据用户给出的输入语句q，结合个性化特征语句p，在预建立的对话集中检索，并将检索结果生成候选集C；S3将候选集C中的所有候选回复r＝{r1，r2，...，rn}与用户输入语句q、个性化特征语句p进行语句匹配，得到每个候选回复ri的语句匹配得分score(q，p，ri)；S4将候选回复ri的语句匹配得分进行排序，并选出得分最高的候选回复作为最终的个性化回复。其针对社交媒体平台的开放域对话系统，个性化对话数据更易获得，数据可扩展性强。
-
公开(公告)号：CN112507219B
公开(公告)日：2023-06-02
申请号：CN202011415365.2
申请日：2020-12-07
Applicant: 中国人民大学
IPC: G06F16/9535 , G06F16/9538 , G06F40/284 , G06N3/045 , G06N3/098
Abstract: 本发明通过人工智能领域的方法，实现了一种基于联邦学习增强隐私保护的个性化搜索系统，系统的硬件架构由客户端和服务器构成，并构建基于联邦学习的个性化搜索框架，其中具体训练的底层模型为个性化排序模型，通过联邦学习的方式共同参与个性化排序模型的训练，训练得到的模型部署在各个客户端上，在客户端上发起查询、存储用户的搜索历史H、构建用户画像P，对从服务器返回的非个性化结果进行重排后展示给用户。解决了在利用用户的查询历史挖掘用户兴趣来推断当前的查询意图时，保护用户隐私的问题；并且基于这个框架，设计了两种模型，FedPSFlat和FedPSProxy，解决数据异质性的问题，以及单层FedPSFlat面临的性能瓶颈、通信障碍和隐私攻击的问题。
-
公开(公告)号：CN115599972A
公开(公告)日：2023-01-13
申请号：CN202211270803.X
申请日：2022-10-17
Applicant: 中国人民大学(CN)
IPC: G06F16/9035 , G06N3/04 , G06N3/08
Abstract: 本发明通过网络安全领域的方法，实现了一种序列推荐中的对偶增强倾向性得分估计方法。设计一个发生用户行为时，由Transformer层和Prediction层组成的前序推荐模型作为基础模型的架构，从系统收集的目标用户‑物品对(u,i)的上下文信息构成的实值向量e(u)作为输入得到最终的对于用户行为的预测推荐结果，并且通过设计一个学习倾向性得分的网络结构给所述用户行为赋权，使得推荐模型可以得到准确的用户行为的预测推荐结果。本发明提供了一种新的IPS估计方法以弥补序列推荐中的曝光或选择偏差。从物品和用户的角度评估倾向性得分，提供了理论的可靠性和端到端的学习。对四个真实数据集的大量实验结果表明，在无偏测试设置下，DEPS可以显著优于最先进的基线。
-
公开(公告)号：CN115455309A
公开(公告)日：2022-12-09
申请号：CN202211075114.3
申请日：2022-09-03
Applicant: 中国人民大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种基于用户偏好的好友推荐方法，包括：将用户以及用户间的关系转换为图结构；若节点u满足概率传输条件，则获取节点u对于节点s的概率获得值以及将节点u的优先序最大的邻居节点作为节点v；根据节点u和节点v间连边的权重Auv，以及节点u沿边(u,v)已经向节点v传输的概率量Quv，计算节点u还可以沿边(u,v)向节点v传输的概率量Ruv，并对节点v的概率获得值以及Quv进行更新；获得不存在满足概率传输条件的节点时，所有节点相对目标节点s的概率获得值；选出图结构中概率获得值最高的k个节点作为推荐结果。本实施例提供的基于用户偏好的好友推荐方法，提高了好友推荐功能的质量和实施效率。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.03 seconds)
