-
公开(公告)号：CN113343113A
公开(公告)日：2021-09-03
申请号：CN202110755889.4
申请日：2021-07-05
Applicant: 合肥工业大学 , 广州博观文语科技有限公司
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00 , G06F16/28 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图卷积网络进行知识蒸馏的冷启动实体推荐方法，包括：1.构造用户对产品的隐式反馈矩阵、用户属性矩阵、产品属性矩阵、用户学生模型的用户图邻接矩阵、产品学生模型的产品图邻接矩阵；2.通过独热编码和随机初始化的方式构造输入层；3.通过图卷积分别对教师模型、用户学生模型和产品学生模型进行特征传播；4.构造预测层进行用户对产品的评分预测；5.根据预测层的输出结果拟合真实标签更新特征矩阵和属性节点的嵌入表征矩阵；6.重复步骤3～5至新用户新产品推荐效果达到最优。本发明能够充分挖掘图的高阶信息以及用户、产品和属性节点之间的潜在关联，从而实现冷启动实体的精准推荐。
-
公开(公告)号：CN113836298B
公开(公告)日：2024-08-20
申请号：CN202110894298.5
申请日：2021-08-05
Applicant: 合肥工业大学
IPC: G06F16/35 , G06F40/30 , G06F18/214 , G06F18/25
Abstract: 本发明提供一种基于视觉增强的文本分类方法和系统，涉及计算机视觉以及自然语言理解技术领域，本发明通过注意力机制实现了获取基于图像辅助信息的语义表示和基于文本语义的图像特征表示，充分考虑了图像信息包含的复杂内容以及图像信息和文本之间的相互影响关系，减少文本语义表达过程中的噪声信息的引入，最终实现了对文本语义的准确理解以及提高文本分类的准确性。
-
公开(公告)号：CN118504690A
公开(公告)日：2024-08-16
申请号：CN202410660045.5
申请日：2024-05-27
Applicant: 合肥工业大学
Abstract: 本发明公开了一种针对公平感知认知诊断任务的路径因果推理的答题预测方法，包括：1，建立包含敏感属性的认知诊断任务因果图，并用于构建深度神经网络模型；2，建立基于交叉熵损失的混合损失函数；3，在教育数据集上训练深度神经网络模型；4，利用训练好的网络模型对学生答题能力进行预测。本发明能够有效去除教育数据集中敏感属性所带来的偏差，从而实现更加公平的答题能力预测。
-
公开(公告)号：CN116341515A
公开(公告)日：2023-06-27
申请号：CN202310205380.1
申请日：2023-03-06
Applicant: 合肥工业大学
IPC: G06F40/211 , G06N20/00
Abstract: 本发明公开了一种面向对比学习的动态课程的句子表示方法，属于自然语言处理领域，其步骤包括：1.对输入的数据通过数据增强的方式构建正样本。2.将经过数据增强后的正样本句子与锚点句子进行相似度计算，作为正样本的难度。3.对增强后的句子的难度进行降序排列。4.计算当前模型的能力来确定训练样本。5.训练中保存并加载最优模型并重新对样本难度进行划分。6.通过对比学习拉近与锚点句子更相似的正样本从而获得更高质量的句子表示。本发明通过利用课程学习的思想来缓解因数据增强导致句子表示质量不一致从而影响对比学习中模型的性能，来对增强后的正样本进行难度排序，从而能生成更高质量的句子表示。
-
公开(公告)号：CN112905894B
公开(公告)日：2022-08-19
申请号：CN202110312224.6
申请日：2021-03-24
Applicant: 合肥工业大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00 , G06F17/16
Abstract: 本发明公开了一种基于增强图学习的协同过滤推荐方法，包括：1.构造用户对产品的二部图，包括：用户节点集、产品节点集、邻接矩阵；2.通过独热编码得到嵌入矩阵作为节点特征；3.根据当前节点特征计算相似矩阵，并做稀疏化；4.稀疏化的相似矩阵作为残差项和邻接矩阵相加，得到增强后的邻接矩阵；5.根据增强后的邻接矩阵构造图卷积层进行特征传播，得到节点表征；6.根据节点表征到预测层得到评分矩阵，从而实现产品推荐。本发明能够基于节点之间的相似度自适应的学习图结构信息，增强图鲁棒性和完整性，从而学习更精准的节点表征，进而提高推荐性能。
-
Patent Agency Ranking
公开(公告)号：CN112906398A
公开(公告)日：2021-06-04
申请号：CN202110051094.5
申请日：2021-01-14
Applicant: 合肥工业大学
IPC: G06F40/30 , G06F40/211 , G06K9/62
Abstract: 本发明提供一种句子语义匹配方法、系统、存储介质和电子设备，涉及句子语义匹配技术领域。本发明包括预处理待分析句子对，获取待分析句子对的向量表示；将所述向量表示输入预先训练的语义关系模型，获取待分析句子对语义匹配关系的概率；将所述概率作为待分析句子对语义关系的预测结果。基于对比学习的句子语义匹配方法，不仅通过分析输入句子的文本信息建模句子之间的语义关系；同时，通过对比属于同一标签和属于不同标签的句子对之间的关系(即关系的关系)，从而挖掘出句子对中与标签相关联的不变的特征，通过对这些特征的充分利用，实现了更为准确的句子语义表示以及句子语义关系的预测。
-
公开(公告)号：CN117271808B
公开(公告)日：2025-03-25
申请号：CN202311351239.9
申请日：2023-10-18
Applicant: 合肥工业大学 , 安徽无攸科技有限公司
IPC: G06F16/435 , G06F18/10 , G06F18/2134 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本发明公开了一种基于信息瓶颈去噪的多媒体推荐方法，包括：1.构造异构数据：用户对产品的交互矩阵，产品的多媒体内容数据；2.使用预训练模型提取产品多媒体内容特征；3.根据多媒体内容特征构造产品关联矩阵；4.基于深度图神经模型学习用户和产品表征矩阵；5.基于信息瓶颈理论最小化多媒体内容与其表征之间的互信息，计算损失函数；6.基于用户和产品表征矩阵重构交互矩阵，计算损失函数；7.联合步骤5‑6的损失函数进行多任务学习，更新模型参数至模型收敛。本发明基于信息瓶颈的思想，在满足推荐任务的需求下学习最少的多媒体内容信息，可以有效的去除多媒体内容中的冗余信息，从而能实现更加精准的多媒体推荐。
-
公开(公告)号：CN117349682A
公开(公告)日：2024-01-05
申请号：CN202311351350.8
申请日：2023-10-18
Applicant: 合肥工业大学 , 安徽无攸科技有限公司
IPC: G06F18/22 , G06F18/26 , G06F40/216 , G06F16/335
Abstract: 本发明公开了一种用户多兴趣增强的抽取式可解释推荐方法，包括：1、基于大语言模型利用观点提取方法从评论中提取包含用户观点作为解释句子，利用文本摘要方法从用户历史评论中总结用户偏好；2、基于用户偏好和解释句子构建用户多偏好增强的抽取式可解释推荐模型；3、设计自适应对齐训练策略匹配相同主题的解释句子与用户偏好表征，优化用户偏好表征；4、采用随机梯度下降方法训练建立的模型，利用建立好的抽取式可解释推荐模型推断用户对产品感兴趣的原因。本发明能够更加关注基于主题的用户多偏好表征与解释句子间的关联性，缓解用户偏好表征与解释句子的主题不匹配问题，更好建模用户偏好表征，进一步提高抽取式可解释模型的性能。
-
公开(公告)号：CN113222772B
公开(公告)日：2023-10-31
申请号：CN202110377621.1
申请日：2021-04-08
Applicant: 合肥工业大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06Q50/00 , G06F40/242 , G06F16/35 , G06F40/216 , G06F40/30 , G06N20/00
Abstract: 本发明提供一种本土人格词典构建方法、系统、存储介质以及电子设备，涉及人格词典技术领域。本发明获取并预处理用户的社交媒体数据，获取每个词的语义向量表示；根据预处理后的社交媒体数据，采用统计学习方法获取第一人格描述词集；根据语义向量表示，采用深度学习算法获取第二人格描述词集；至少融合第一人格描述词集和第二人格描述词集，得到本土人格词典。本发明通过使用机器学习的方法自动抽取用户的社交媒体数据中最具代表性的词，减少了人为因素的影响，同时能够有效适应语义的演变，以及不同的语言；此外，本发明生成的本土人格词典规模能够根据具体情况具体调整，同时通过处理大规模社交媒体信息实现最全面普遍的人格描述。
-
公开(公告)号：CN113222773A
公开(公告)日：2021-08-06
申请号：CN202110379028.0
申请日：2021-04-08
Applicant: 合肥工业大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06Q50/00 , G06F16/35 , G06F40/216 , G06F40/242
Abstract: 本发明提供一种本土人格评估方法、系统、存储介质和电子设备，涉及人格评估技术领域。本发明获取并预处理用户的社交媒体数据，获取社交媒体数据的向量表示；根据预处理后的社交媒体数据，采用统计学习方法获取第一人格特征表示；根据向量表示和预处理后的社交媒体数据，采用深度学习算法获取第二人格特征表示；融合第一人格特征表示和第二人格特征表示，获取用户的本土人格表示。本发明通过对用户的社交媒体信息进行分析，属于无接触无问卷式的方法，所得到的数据是用户在自然状态下产生的，不仅减少设置特定情境或者使用特定设备对测试者带来的心理干扰，同时缓解用户主观意图对测试结果的影响；本发明提供的本土人格分析方法评估人格，准确度高。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.052 seconds)
