-
公开(公告)号：CN109325117A
公开(公告)日：2019-02-12
申请号：CN201810970734.0
申请日：2018-08-24
Applicant: 北京信息科技大学
IPC: G06F16/35 , G06F16/332 , G06F16/951 , G06F16/955 , G06F16/9535 , G06F17/27 , G06F17/22
Abstract: 本发明公开了一种多特征融合的微博中社会安全事件检测方法，包括获取微博文本数据后对获取到的微博文本进行预处理、提取微博文本中的社会安全事件特征词、基于语境的词语语义相关度计算方法计算社会安全事件特征词的相关度、构建社会安全事件侦测模型。本发明在对特征词进行相关度计算时，充分考虑了事件侦测过程中的领域性需求，利用大规模语料建立词语共现关系图实现特征词的相关度计算，在对事件进行识别的过程中，采用层次聚类和增量聚类相结合，充分考虑了事件随时间不断变化的过程，同时，采用特征词进行聚类，有效减小了特征维度，提升了模型的运行效率。
-
公开(公告)号：CN118760765A
公开(公告)日：2024-10-11
申请号：CN202410893196.5
申请日：2024-07-04
Applicant: 北京信息科技大学
Abstract: 本发明公开了一种基于大语言模型和强化学习的多干扰项生成方法，涉及人工智能技术领域。包括：获取EQG‑RACE数据，将EQG‑RACE数据划分为训练集和验证集；建立基于文字指令的干扰项生成模型；将训练集输入干扰项生成模型并进行有监督微调处理，得到有监督微调后的干扰项生成模型；将验证集输入有监督微调后的干扰项生成模型，根据生成结果进行排序；构建奖励模型，根据排序结果得到奖励模型的训练数据集，并计算成对排名损失；基于奖励模型和强化学习进一步训练有监督微调后的干扰项生成模型，得到最高质量的多干扰项。本发明在干扰项生成质量上达到满足现实出题需求的水平。
-
公开(公告)号：CN110543564B
公开(公告)日：2023-06-20
申请号：CN201910784200.3
申请日：2019-08-23
Applicant: 北京信息科技大学
IPC: G06F16/35 , G06F40/284 , G06F40/289 , G06Q10/0639
Abstract: 本发明提供一种基于主题模型的领域标签获取方法，在海量学术数据的基础上，分析学术数据固有的特点，引入学术词频特征构建FLDA主题模型，利用主题模型将同一学者的学术文档进行“主题‑短语”抽取。其次，引入领域体系，将主题模型的抽取结果与体系标签进行向量表征，经过位置加权后使用相似度进行体系映射，最终获得学者的领域标签。实验表明，FLDA模型与传统的LDA模型、基于统计的TFIDF算法和基于网络图的TextRank算法相比，最终获取的标签词效果更好，准确率更高，说明基于主题模型的标签抽取方法在学术领域具有良好的适用性。
-
公开(公告)号：CN118779431B
公开(公告)日：2025-04-29
申请号：CN202410999169.6
申请日：2024-07-24
Applicant: 北京信息科技大学
IPC: G06F16/3329 , G06F16/35 , G06F18/214 , G06F18/24 , G06F18/25 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了基于逻辑推理和多任务融合的认知刺激对话生成方法及系统，涉及人机对话技术领域，包括：提出认知刺激对话生成的多任务流程；构建基于情感分类模型、决策模型和生成模型的多任务融合模型；对所述多任务融合模型进行训练。本发明将认知刺激对话生成视为一个多任务融合的逻辑思维推理过程，将情感分类任务、决策任务和对话回复生成任务间的逻辑关系，建模为一个推理过程，来引导大语言模型生成。针对多任务过程，本发明提出多任务融合方法，将三个任务对应的模型结合在一起。生成实验结果表明，分类、决策及生成的多任务融合方法，显著提升了对话回复能力，证明了该方法的有效性和先进性。
-
公开(公告)号：CN117787260A
公开(公告)日：2024-03-29
申请号：CN202311840232.3
申请日：2023-12-28
Applicant: 北京信息科技大学
IPC: G06F40/258 , G06N5/02 , G06N5/04 , G06F40/30 , G06N3/045 , G06N3/0442 , G06N3/0475 , G06F16/34 , G06N3/0499
Abstract: 本发明公开了一种基于自适应位置编码和知识推理的文本标题生成方法，涉及文本修改技术领域，该方法提出了一种新的位置编码机制结合知识推理的面向生成式标题任务的方法，并验证了该方法的有效性。通过引入自适应位置编码机制，APEG能够根据输入序列的长度动态地学习适合任务的位置表示，从而更好地捕捉不同位置的语义信息，提升知识推理模块的性能和模型的泛化能力。与传统的标题生成方法相比，引入的知识推理模块可以在标题生成过程中聚焦于原文的关键信息，同时保持生成内容的创新性和生成过程的可解释性，改善了生成式标题的质量。
-
Patent Agency Ranking
公开(公告)号：CN115174584A
公开(公告)日：2022-10-11
申请号：CN202210769970.2
申请日：2022-06-30
Applicant: 北京信息科技大学
IPC: H04L67/1008 , H04L67/101 , H04L67/10
Abstract: 本公开提供了一种边云协同计算管理方法，其包括：根据每类任务的总数据大小、每类任务的总CPU周期、平均传输速率、CPU电压和CPU频率决策获得下一第一时间尺度内的CPU电压和CPU频率对；以及根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率决策获得针对每一种任务的卸载决策。本公开还提供了一种边云协同计算管理装置、电子设备以及可读存储介质。
-
公开(公告)号：CN118779431A
公开(公告)日：2024-10-15
申请号：CN202410999169.6
申请日：2024-07-24
Applicant: 北京信息科技大学
IPC: G06F16/332 , G06F16/35 , G06F18/214 , G06F18/24 , G06F18/25 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了基于逻辑推理和多任务融合的认知刺激对话生成方法及系统，涉及人机对话技术领域，包括：提出认知刺激对话生成的多任务流程；构建基于情感分类模型、决策模型和生成模型的多任务融合模型；对所述多任务融合模型进行训练。本发明将认知刺激对话生成视为一个多任务融合的逻辑思维推理过程，将情感分类任务、决策任务和对话回复生成任务间的逻辑关系，建模为一个推理过程，来引导大语言模型生成。针对多任务过程，本发明提出多任务融合方法，将三个任务对应的模型结合在一起。生成实验结果表明，分类、决策及生成的多任务融合方法，显著提升了对话回复能力，证明了该方法的有效性和先进性。
-
公开(公告)号：CN110543564A
公开(公告)日：2019-12-06
申请号：CN201910784200.3
申请日：2019-08-23
Applicant: 北京信息科技大学
Abstract: 本发明提供一种基于主题模型的领域标签获取方法，在海量学术数据的基础上，分析学术数据固有的特点，引入学术词频特征构建FLDA主题模型，利用主题模型将同一学者的学术文档进行“主题-短语”抽取。其次，引入领域体系，将主题模型的抽取结果与体系标签进行向量表征，经过位置加权后使用相似度进行体系映射，最终获得学者的领域标签。实验表明，FLDA模型与传统的LDA模型、基于统计的TFIDF算法和基于网络图的TextRank算法相比，最终获取的标签词效果更好，准确率更高，说明基于主题模型的标签抽取方法在学术领域具有良好的适用性。
-
公开(公告)号：CN114297404B
公开(公告)日：2024-10-01
申请号：CN202111637269.7
申请日：2021-12-29
Applicant: 北京信息科技大学
IPC: G06F16/36 , G06F16/901 , G06F16/903 , G06F40/295
Abstract: 本发明提供一种领域评审专家行为轨迹的知识图谱构建方法，采用自顶向下与自底向上相结合的方法完成构建。通过爬虫进行数据采集并预处理；定义领域本体，建立模式结构；利用自然语言处理技术进行知识抽取；针对同名专家的多类属性特征，提出基于地点一致性与时间重合性相结合的行为轨迹相似度匹配算法，结合编辑距离和余弦相似度确定消歧专家，实现知识融合；最后将知识存储在图数据库neo4j中，查找专家间建立的直接关系路径和间接关系路径，完成亲密度计算。本发明的方法同名专家消歧的F1值为93％，相比现有技术提高16％，解决了知识图谱中实体歧义问题。该知识图谱可有效表示专家行为轨迹及社会关系等，计算专家亲密度，为评审专家的遴选提供知识基础。
-
公开(公告)号：CN115174584B
公开(公告)日：2023-05-05
申请号：CN202210769970.2
申请日：2022-06-30
Applicant: 北京信息科技大学
IPC: H04L67/1008 , H04L67/101 , H04L67/10
Abstract: 本公开提供了一种边云协同计算管理方法，其包括：根据每类任务的总数据大小、每类任务的总CPU周期、平均传输速率、CPU电压和CPU频率决策获得下一第一时间尺度内的CPU电压和CPU频率对；以及根据时隙t内的所有任务的数据大小、处理每比特i类型任务所需要的CPU周期、边缘设备和云设备之间的传输速率、CPU电压和CPU频率决策获得针对每一种任务的卸载决策。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.027 seconds)
