-
公开(公告)号：CN110427490A
公开(公告)日：2019-11-08
申请号：CN201910596166.7
申请日：2019-07-03
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于自注意力机制的情感对话生成方法与装置，该方法包括以下步骤：1)接收用户Post的输入语句以及对应的情感标签Ep；2)根据接收语句的情感信息和语义信息，获得回复情感Er；3)根据回复情感Er和接收语句的语义信息，生成对应的回复。本发明能够自动感知上文语义和情感信息并生成带有合适情感的回复。
-
公开(公告)号：CN115170218A
公开(公告)日：2022-10-11
申请号：CN202210230703.8
申请日：2022-03-10
Applicant: 华中科技大学
IPC: G06Q30/06 , G06F16/2458 , G06N3/04
Abstract: 本发明公开了一种融合图神经网络和多层级对比学习的神经网络序列推荐方法，包括以下步骤：1)基于所有用户的物品点击序列构建用户‑物品图、用户‑用户图和物品‑物品图；2)根据构建的图，采用图编码器初始化得到用户的特征表示矩阵以及物品的特征表示矩阵；3)序列视角下用户的兴趣表示；4)协同视角下用户的兴趣表示；5)兴趣层级的对比学习；6)获取最终特征层级的对比学习损失；8)在从序列视角和对比视角计算得到用户的兴趣表示之后，将它们进行结合得到用户的最终的兴趣表示，根据用户的最终的兴趣表示确定选择用户当前的兴趣；9)根据用户的当前的兴趣表示从所有候选集中选择top‑N个物品。本发明方法能提高序列推荐预测的准确性。
-
公开(公告)号：CN115168595A
公开(公告)日：2022-10-11
申请号：CN202210230376.6
申请日：2022-03-10
Applicant: 华中科技大学
IPC: G06F16/36 , G06F16/9535
Abstract: 本发明公开了一种结合多阶协同信息的知识图谱推荐方法，包括以下步骤：1)基于所有用户的物品点击序列构建用户‑物品图；2)从用户‑物品图里提取出多阶协同信息；3)将多阶协同信息对应的物品集转换成对应的实体集；4)通过知识交互传播，将多阶协同信息和知识信息结合并对高阶信息进行降噪；5)在本地和高阶图之间制造交互，并利用交互信息对高阶信息进行降噪，从而提升每层知识信息向量的质量；6)基于知识交互传播中用户和物品的本地及高阶多层特征向量，整合得到当前用户和物品的整体向量表示。
-
公开(公告)号：CN110442798B
公开(公告)日：2021-10-08
申请号：CN201910601396.8
申请日：2019-07-03
Applicant: 华中科技大学
IPC: G06F16/9536 , G06Q50/00 , G06N20/00
Abstract: 本发明公开了一种基于网络表示学习的垃圾评论用户群组检测方法，该方法包括以下步骤：1)采集用户对商品的评论并存储；2)垃圾评论活动信息建模，获得用户之间的共谋一致性；3)根据用户之间的共谋一致性，构造用户关系网络；4)根据用户关系网络估计用户之间的低阶关联性和高阶关联性；5)基于低阶关联性和高阶关联性，获得一个完整的模型来对用户的表示进行学习；6)根据学习到包含用户行为关系信息和网络拓扑结构信息的用户低维表示，从而计算两个用户的共谋可能性得分，通过计算ScoreF(ui，*)中最大的n个分数的平均值来获得用户ui的分数，并根据用户分数的排序获得最终的检测结果。本发明能有效提升垃圾评论群组检测的准确率。
-
公开(公告)号：CN110427490B
公开(公告)日：2021-11-09
申请号：CN201910596166.7
申请日：2019-07-03
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于自注意力机制的情感对话生成方法与装置，该方法包括以下步骤：1)接收用户Post的输入语句以及对应的情感标签Ep；2)根据接收语句的情感信息和语义信息，获得回复情感Er；3)根据回复情感Er和接收语句的语义信息，生成对应的回复。本发明能够自动感知上文语义和情感信息并生成带有合适情感的回复。
-
Patent Agency Ranking
公开(公告)号：CN112381615A
公开(公告)日：2021-02-19
申请号：CN202011362298.2
申请日：2020-11-27
Applicant: 华中科技大学 , 中国人民解放军海军工程大学
IPC: G06Q30/06 , G06F16/9535
Abstract: 本发明公开了一种基于用户重复行为模式挖掘的短序列推荐方法，包括以下步骤：1)对于给定的用户行为序列 进行物品表示学习，获得物品的特征表示；2)将用户的行为序列转换成重复行为模式序列，进行重复行为的物品选择概率预测：根据重复行为模式序列预测序列中每个物品在下一次被重新点击的概率；3)进行探索行为的物品选择概率预测：预测没有在用户的行为序列中出现过的每个物品在下一次行为中被点击的概率；4)计算用户进行重复行为和探索行为的概率分布；5)根据步骤2)至步骤4)的结果，获得每个物品在下一次被点击的概率。本发明通过对用户的重复行为进行建模，并捕捉序列中的长距离依赖关系，可有效提高对用户推荐物品的准确度。
-
公开(公告)号：CN110442798A
公开(公告)日：2019-11-12
申请号：CN201910601396.8
申请日：2019-07-03
Applicant: 华中科技大学
IPC: G06F16/9536 , G06Q50/00 , G06N20/00
Abstract: 本发明公开了一种基于网络表示学习的垃圾评论用户群组检测方法，该方法包括以下步骤：1)采集用户对商品的评论并存储；2)垃圾评论活动信息建模，获得用户之间的共谋一致性；3)根据用户之间的共谋一致性，构造用户关系网络；4)根据用户关系网络估计用户之间的低阶关联性和高阶关联性；5)基于低阶关联性和高阶关联性，获得一个完整的模型 来对用户的表示进行学习；6)根据学习到包含用户行为关系信息和网络拓扑结构信息的用户低维表示，从而计算两个用户的共谋可能性得分，通过计算ScoreF(ui，*)中最大的n个分数的平均值来获得用户ui的分数，并根据用户分数的排序获得最终的检测结果。本发明能有效提升垃圾评论群组检测的准确率。
-
公开(公告)号：CN115982373A
公开(公告)日：2023-04-18
申请号：CN202211288281.6
申请日：2022-10-20
Applicant: 中国平安财产保险股份有限公司 , 华中科技大学
IPC: G06F16/36 , G06F16/2458 , G06F16/28 , G06F16/9535 , G06F18/214
Abstract: 本发明公开了一种结合多级交互式对比学习的知识图谱推荐方法，包括以下步骤：1)获取用户‑物品交互协同信息和知识图谱实体关系的知识信息；2)将不同阶的协同信息与知识信息结合，构成局部和非局部的异质图；3)基于构建的用户/物品局部和非局部图，对同一图中局部和非局部两部分信息进行交互和对比；4)局部图和非局部图进行图间的对比学习，利用局部图来提取非局部图中的知识信息；5)根据图内与图间交互式对比学习损失，使用多任务模型训练获得知识图谱推荐结果；6)基于图编码和图内与图间级交互式对比学习的用户和物品表示，预测用户对物品点击的可能性。本发明方法可以提升知识图谱推荐的准确率。
-
公开(公告)号：CN112381615B
公开(公告)日：2022-09-02
申请号：CN202011362298.2
申请日：2020-11-27
Applicant: 华中科技大学 , 中国人民解放军海军工程大学
IPC: G06Q30/06 , G06F16/9535
Abstract: 本发明公开了一种基于用户重复行为模式挖掘的短序列推荐方法，包括以下步骤：1)对于给定的用户行为序列S，进行物品表示学习，获得物品的特征表示；2)将用户的行为序列转换成重复行为模式序列，进行重复行为的物品选择概率预测：根据重复行为模式序列预测序列中每个物品在下一次被重新点击的概率；3)进行探索行为的物品选择概率预测：预测没有在用户的行为序列中出现过的每个物品在下一次行为中被点击的概率；4)计算用户进行重复行为和探索行为的概率分布；5)根据步骤2)至步骤4)的结果，获得每个物品在下一次被点击的概率。本发明通过对用户的重复行为进行建模，并捕捉序列中的长距离依赖关系，可有效提高对用户推荐物品的准确度。
-
公开(公告)号：CN110598543B
公开(公告)日：2021-01-05
申请号：CN201910719182.0
申请日：2019-08-05
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于属性挖掘和推理的模型训练方法及行人再识别方法，属于计算机视觉领域，包括：建立第一训练网络并进行训练，以完成对基础网络的训练；在第一训练网络中加入属性特征提取器，得到第二训练网络并进行训练，以完成对属性特征提取器的训练；在第二训练网络中加入注意力网络，得到第三训练网络并进行训练，以完成对通道注意力模块和空间注意力模块的训练；在第三训练网络中加入用于属性推理的图卷积模块，得到第四训练网络并进行训练，以完成对图卷积模块的训练；去掉第四训练网络中的分类器，得到行人再识别模型；利用行人再识别模型提取行人的全局特征，以得到查询结果。本发明能够提高行人再识别的准确性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
