-
公开(公告)号：CN113326425A
公开(公告)日：2021-08-31
申请号：CN202110425642.6
申请日：2021-04-20
Applicant: 中国电子科技集团公司第五十四研究所 , 电子科技大学
IPC: G06F16/9535 , G06F40/35 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于结构和语义注意力堆叠的会话推荐方法及系统，属于会话推荐技术领域。本发明所述方法是基于用户物品点击序列，首先通过建立基于语义、时序结构、空间结构的注意力机制模型，从不同角度出发强化有关物品对用户全局兴趣表征的重要程度、弱化无关物品对用户全局兴趣表征的干扰，建立三种角度下的用户全局兴趣；然后，建立三种用户全局兴趣融合模型，形成多角度下的用户全局兴趣表征；最后，结合基于GRU循环神经网络生成的用户局部兴趣表征，建立用户兴趣表征，实现对用户下一刻点击物品的预测。
-
公开(公告)号：CN113395172A
公开(公告)日：2021-09-14
申请号：CN202110541915.3
申请日：2021-05-18
Applicant: 中国电子科技集团公司第五十四研究所 , 电子科技大学
IPC: H04L12/24
Abstract: 本发明公开了一种基于通信网的重要用户发现及行为预测方法，属于网络用户行为分析技术领域。本发明根据用户通信记录构建通信网络，先利用基于平衡树的Fast‑Newman算法进行社区划分，再利用PageRank算法综合社区划分结果挖掘重要用户。本发明还针对基于用户通信记录所构建的每个用户的历史通信用户序列，利用NARM模型实现重要用户的未来通信对象预测，同时利用数据统计方法挖掘通信规律以实现重要用户与未来通信对象通信时间的预测。本发明所述方法具有重要用户发现、重要用户的未来通信对象及通信时间预测能力，可为通信网络行为趋势预判提供一种技术方案。
-
公开(公告)号：CN112906831A
公开(公告)日：2021-06-04
申请号：CN202110427384.5
申请日：2021-04-21
Applicant: 电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明涉及通信网用户信息分析技术，公开了一种结合网络结构与属性特征的通信网用户分类方法，将用户通信记录中的用户抽象成节点，根据用户间通信关系构建网络；根据用户属性集合以及用户间的关联情况，计算属性对网络结构与用户个体语义特征的贡献度，从而生成属性权重；设计基于属性权重的随机采样方法，获得包含网络结构与语义信息的采样序列；构建用户分类模型提取采样序列中的结构特征与语义特征从而完成用户分类。本发明有效结合网络结构与用户属性特征进行通信网用户分类，从而达到根据用户角色而非不同子网间的关联紧密度来进行用户类别划分的效果。
-
公开(公告)号：CN112906831B
公开(公告)日：2023-06-06
申请号：CN202110427384.5
申请日：2021-04-21
Applicant: 电子科技大学 , 中国电子科技集团公司第五十四研究所
IPC: G06F18/2415 , G06N3/0442 , G06N3/0455 , G06N3/047 , G06N3/084
Abstract: 本发明涉及通信网用户信息分析技术，公开了一种结合网络结构与属性特征的通信网用户分类方法，将用户通信记录中的用户抽象成节点，根据用户间通信关系构建网络；根据用户属性集合以及用户间的关联情况，计算属性对网络结构与用户个体语义特征的贡献度，从而生成属性权重；设计基于属性权重的随机采样方法，获得包含网络结构与语义信息的采样序列；构建用户分类模型提取采样序列中的结构特征与语义特征从而完成用户分类。本发明有效结合网络结构与用户属性特征进行通信网用户分类，从而达到根据用户角色而非不同子网间的关联紧密度来进行用户类别划分的效果。
-
公开(公告)号：CN113395172B
公开(公告)日：2022-11-11
申请号：CN202110541915.3
申请日：2021-05-18
Applicant: 中国电子科技集团公司第五十四研究所 , 电子科技大学
IPC: H04L41/147 , H04L41/142
Abstract: 本发明公开了一种基于通信网的重要用户发现及行为预测方法，属于网络用户行为分析技术领域。本发明根据用户通信记录构建通信网络，先利用基于平衡树的Fast‑Newman算法进行社区划分，再利用PageRank算法综合社区划分结果挖掘重要用户。本发明还针对基于用户通信记录所构建的每个用户的历史通信用户序列，利用NARM模型实现重要用户的未来通信对象预测，同时利用数据统计方法挖掘通信规律以实现重要用户与未来通信对象通信时间的预测。本发明所述方法具有重要用户发现、重要用户的未来通信对象及通信时间预测能力，可为通信网络行为趋势预判提供一种技术方案。
-
Patent Agency Ranking
公开(公告)号：CN113326425B
公开(公告)日：2022-09-20
申请号：CN202110425642.6
申请日：2021-04-20
Applicant: 中国电子科技集团公司第五十四研究所 , 电子科技大学
IPC: G06F16/9535 , G06F40/35 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于结构和语义注意力堆叠的会话推荐方法及系统，属于会话推荐技术领域。本发明所述方法是基于用户物品点击序列，首先通过建立基于语义、时序结构、空间结构的注意力机制模型，从不同角度出发强化有关物品对用户全局兴趣表征的重要程度、弱化无关物品对用户全局兴趣表征的干扰，建立三种角度下的用户全局兴趣；然后，建立三种用户全局兴趣融合模型，形成多角度下的用户全局兴趣表征；最后，结合基于GRU循环神经网络生成的用户局部兴趣表征，建立用户兴趣表征，实现对用户下一刻点击物品的预测。
-
公开(公告)号：CN112800048B
公开(公告)日：2021-08-06
申请号：CN202110284064.9
申请日：2021-03-17
Applicant: 电子科技大学
IPC: G06F16/215 , G06F16/22 , G06F16/901 , G06Q10/04 , G06Q50/30 , G06N3/08 , G06N3/04
Abstract: 本发明涉及通信网分析技术，提供一种基于图表示学习的通信网用户通信记录补全方法，包括步骤：1）将需要补全的一组用户通信记录数据表示为一个三元组形式；2）将待补全的三元组输入训练好的通信记录补全模型中，输出候选元素的概率分布向量；3）选取概率最大的所对应的候选元素作为补全元素，根据补全元素确定需要补全的这一组用户通信记录中的数据。本发明将基于图表示的通信网中用户与通信关系投影到低维空间，通过语义合成方式对三元组中任意两个元素的表达进行语义组合，获取相互关联的两个用户间的语义关联以实现记录补全，解决了通信记录不完整、数据稀疏的问题。
-
公开(公告)号：CN109472031B
公开(公告)日：2021-05-04
申请号：CN201811337352.0
申请日：2018-11-09
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于双记忆注意力的方面级别情感分类模型及方法，属于文本情感分类技术领域。本发明所述模型主要包括三个模块：一个由标准的GRU循环神经网络构成的编码器、一个引入前馈神经网络注意力层的GRU循环神经网络解码器和一个Softmax分类器。模型将输入语句看作一个序列，基于句子中方面级别词语位置的注意力，从原始文本序列和编码器的隐藏层状态中分别构建两个记忆模块，通过前馈神经网络注意力层对随机初始化的注意力分布进行微调以捕获语句中的重要情感特征，并基于GRU循环神经网络对序列的学习能力建立编码器‑解码器分类模型，以实现方面级别情感分类能力。本发明可以显著改善文本情感分类的鲁棒性，提高分类正确率。
-
公开(公告)号：CN112528161A
公开(公告)日：2021-03-19
申请号：CN202110178084.8
申请日：2021-02-07
Applicant: 电子科技大学
IPC: G06F16/9535 , G06Q30/06 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于物品点击序列优化的会话推荐方法，属于会话推荐技术领域。本发明所述方法利用最短路径方法提炼用户最感兴趣的物品序列，能够剔除长序列中多条兴趣路径对用户兴趣表征的干扰；本发明所述方法从最短路径物品序列的长度分布与用户点击的兴趣强弱出发，定义了三种用户兴趣类型，能够捕获不同类型下物品点击行为随时间变化的用户兴趣，可有效建模长序列的用户兴趣。
-
公开(公告)号：CN110866405A
公开(公告)日：2020-03-06
申请号：CN201911113011.X
申请日：2019-11-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于语句信息的方面级情感分类方法，本发明基于语句信息的注意力机制结合句子的整体语义信息捕获给定方面的重要信息，并将整个语句信息加入输出向量表达中，提高了模型处理复杂句子的能力；同时本发明采用基于上下文的注意力机制，与基于位置的注意力机制相比，不仅考虑到了句子的语序信息，还考虑到了单词与方面之间的交互信息，因此能为给定方面构建更合理的定制记忆，使得本发明的分类准确率更高。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.039 seconds)
