-
公开(公告)号：CN118071163A
公开(公告)日：2024-05-24
申请号：CN202311581046.2
申请日：2023-11-23
Applicant: 国网河南省电力公司信息通信分公司 , 郑州大学
IPC: G06Q10/0637 , G06Q50/06 , G06N3/09 , H04L9/08 , H04L9/30
Abstract: 本发明涉及电网大数据处理技术领域，具体涉及一种基于纵向联邦学习的电力‑环保协同排污预测方法。本发明包括如下步骤：S1、将各参与方纳入电力‑环保协同系统；S2、各参与在去协调方的框架下进行数据的纵向联邦学习，将纵向联邦学习框架融合改进逻辑回归模型；S3、通过改进的逻辑回归模型结合Paillier加密算法，保证改进的纵向联邦学习逻辑回归模型在不同参与方的参数传递的安全；S4、通过对来自电力‑环保协同系统的排污数据进行实验，与实际排污结果进行比较，评估改进的逻辑回归模型的性能。本发明通过整合两方数据，为排污预测提供了更全面、更精确的数据基础，有助于企业更好地了解和控制其排放水平，减少环境影响。
-
公开(公告)号：CN113590976A
公开(公告)日：2021-11-02
申请号：CN202110809640.7
申请日：2021-07-17
Applicant: 郑州大学
IPC: G06F16/9536 , G06N3/04 , G06Q50/00 , G06N3/08
Abstract: 近年，基于图神经网络的推荐方法在学术界和工业界取得了巨大成功，一些研究学者通过图卷积神经网络建模用户之间的高阶关系来模拟在社交网络中递归传播的社会影响，利用高阶邻居的特征向量约束目标用户的特征向量。为了提高社会化推荐的准确性，本发明将进一步捕获隐藏在用户物品交互网络中的用户与物品之间的协同相似性的影响传播，则用户的偏好会随着社会影响和协同相似性影响的传播而发生变化。结合实际推荐场景，用户社交域和用户物品交互域的信息表现不同特点，本发明将在不同语义空间自适应初始化用户潜在特征向量，来体现用户间的社交关系和用户物品间的交互关系对约束用户特征向量产生不同影响的特点。另外，为了使得模型更适合实际应用，本发明公开了一个快速的非采样优化器来学习模型参数，提升模型优化效率。
-
公开(公告)号：CN114978756B
公开(公告)日：2024-04-26
申请号：CN202210713489.1
申请日：2022-06-22
Applicant: 郑州大学
Abstract: 本发明公开了一种基于马尔科夫链的生成式区块链隐蔽通信方法。首先发送方在文本数据集获取候选单词集，使用马尔科夫模型训练获得转移概率矩阵并生成哈夫曼树集合；随后对需要传输的秘密信息二进制流进行迭代式哈夫曼解码，以获得符合正常语言与语义特征、可读性强的一组载密信息语句，利用生成式隐写方法完成秘密信息嵌入；然后将该载密信息进行环签名后，作为正常交易发布到区块链网络中并完成打包和出块；最后接收方利用相同的文本数据集获取转移概率权值哈夫曼树，逆向操作获得秘密信息二进制流。本发明相较于目前的同类模型，降低隐蔽信道构建风险，避免信息交叉，提升隐蔽性。
-
Patent Agency Ranking
公开(公告)号：CN116738039A
公开(公告)日：2023-09-12
申请号：CN202310537344.5
申请日：2023-05-14
Applicant: 郑州大学
IPC: G06F16/9535 , G06F16/36 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于社交平移模型的序列化推荐方法。序列化推荐帮助用户发现潜在感兴趣的物品，其已经发展成为学术界和工业界的研究热点。通过研究社交关系对于序列化推荐任务的动态影响，发明人提出一种新的推荐方法——基于社交平移模型的序列化推荐。具体而言，本发明首先通过引入门控图卷积模块建模用户长期偏好，然后采用联合门单元模块动态捕获序列化和社会化两种模式。此外，为了刻画用户与物品之间的交互强度，本发明设计了一种社交提升的平移机制。
-
公开(公告)号：CN114282122A
公开(公告)日：2022-04-05
申请号：CN202111572632.1
申请日：2021-12-21
Applicant: 郑州大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08 , G06Q30/06
Abstract: 本发明公开了一种高效非采样的图卷积网络推荐方法。如何学习用户/物品表征是构建推荐系统的关键。最近，图神经网络通过捕获用户‑物品交互图中的高阶协同信息，为推荐系统带来了更好的实体表示和更强的解释能力。然而大多推荐方法仅从用户角度建模用户的兴趣喜好，忽略物品之间内在的功能关系对推荐性能的影响。本发明通过融入高阶的用户‑物品交互信息和高阶的物品‑物品互补关系信息，生成高质量的用户/物品表征。在模型预测模块设计了一种面向物品特征的注意力机制单元，以实现用户‑物品交互空间和物品互补关系空间中两个物品表征的自适应融合。为便于模型部署于大规模工业场景，本发明公开了一个快速非采样优化器来学习模型参数。
-
公开(公告)号：CN116701755A
公开(公告)日：2023-09-05
申请号：CN202310537345.X
申请日：2023-05-14
Applicant: 郑州大学
IPC: G06F16/9535 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种面向社会时序化推荐的图增强联合注意力方法。序列化推荐是根据每个用户的行为序列来预测下一个感兴趣的物品。尽管不少工作已经动态捕获了物品之间的序列化模式，但他们仍面临两点不足之处：(1)未能以时间感知的方式对物品之间的平移模式进行建模；(2)忽略了动态捕获社会化影响的重要性。本发明引入社会时序化推荐新概念，并提出图增强联合注意力模型(简称GCARec)，以实现动态建模社会化影响，并以时间感知的方式捕获物品与物品之间的平移模式。该方法首先采用线性图卷积模块来建模用户的长期偏好，然后分别设计了时间感知和社会感知的注意力机制，以同时动态捕获序列化模式和社会化影响。
-
公开(公告)号：CN115496185A
公开(公告)日：2022-12-20
申请号：CN202211168947.4
申请日：2022-09-25
Applicant: 郑州大学
IPC: G06N3/04 , G06N3/08 , G06F16/9535 , G06F16/9537
Abstract: 本发明旨在提高系统推荐结果的准确率，公开了一种面向序列化推荐的图增强胶囊网络研究，主要专注于如何同时建模用户长短期偏好。一方面，该方法有效地利用图卷积网络聚集高阶邻居信息的特性，显式挖掘用户‑物品历史交互数据来获取用户的长期兴趣表示；另一方面，在学习用户的短期兴趣表示过程，该方法设计用户特定的胶囊模块和位置感知的门控模块，侧重于用户最近交互的物品的相对顺序，以捕获联合层和个体层的顺序模式。此外，为了联合表征用户长短期兴趣，本发明设计了一种双门控机制，在给定不同上下文信息的情况下决定每个模块的贡献比例。
-
公开(公告)号：CN114978756A
公开(公告)日：2022-08-30
申请号：CN202210713489.1
申请日：2022-06-22
Applicant: 郑州大学
Abstract: 本发明公开了一种基于马尔科夫链的生成式区块链隐蔽通信方法。首先发送方在文本数据集获取候选单词集，使用马尔科夫模型训练获得转移概率矩阵并生成哈夫曼树集合；随后对需要传输的秘密信息二进制流进行迭代式哈夫曼解码，以获得符合正常语言与语义特征、可读性强的一组载密信息语句，利用生成式隐写方法完成秘密信息嵌入；然后将该载密信息进行环签名后，作为正常交易发布到区块链网络中并完成打包和出块；最后接收方利用相同的文本数据集获取转移概率权值哈夫曼树，逆向操作获得秘密信息二进制流。本发明相较于目前的同类模型，降低隐蔽信道构建风险，避免信息交叉，提升隐蔽性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.036 seconds)
