-
公开(公告)号：CN119692591A
公开(公告)日：2025-03-25
申请号：CN202411504438.3
申请日：2024-10-26
Applicant: 安徽大学
IPC: G06Q10/063 , G06Q50/20 , G06N3/044 , G06N3/084 , G06N3/0442
Abstract: 本发明公开了一种基于多概念表示的个性化知识追踪方法，包括：收集学生答题记录数据集并进行预处理，生成多概念的答题记录，基于多概念的答题记录形成用于表示答题历史记录的概念编码矩阵x和个性化历史记录的难度信息矩阵d，将概念编码矩阵x和难度信息矩阵d拼接后送入循环神经网络，进行学生答题预测；本发明通过将问题涉及到的多个概念用多热编码表示丰富输入特征，同时考虑不同学生关于每个概念的正确率作为个性化依据，实现每个学生的个性化历史记录表示，显著提高模型预测性能的同时，也实现了不同学生个性化的知识追踪。
-
公开(公告)号：CN111814059B
公开(公告)日：2023-04-07
申请号：CN202010856899.2
申请日：2020-08-24
Applicant: 安徽大学
IPC: G06F16/9535 , G06Q30/0601 , G06Q30/0202 , G06Q50/00
Abstract: 本发明公开了基于网络表示学习和社团结构的矩阵分解推荐方法及系统，所述方法包括：构建评级矩阵和社交抽象网络；获取用户之间隐性信任值；获取每个用户节点的全局特征向量；获取社交抽象网络的社团结构；获取用户之间的显性信任值；融合隐性信任值与显性信任值得到融合信任值，融合信任值超过阈值的信任值作为用户之间的细粒度信任值；结合用户之间的细粒度信任值得到用户的潜在特征向量，根据用户的潜在特征向量获取用户对未交互商品的预测评分，对用户进行商品推荐；本发明的优点在于：挖掘可以表达用户之间信任程度的细粒度信任值并据此最终获取用户对未交互商品的预测评分，提高推荐系统的准确性。
-
公开(公告)号：CN110083696B
公开(公告)日：2022-11-25
申请号：CN201910326299.2
申请日：2019-04-23
Applicant: 安徽大学
IPC: G06F16/335 , G06F16/9535 , G06F40/30
Abstract: 本发明公开基于元结构技术的全局引文推荐方法，对原始数据集进行文章提取、词频统计、关键短语筛选数据清洗操作，得到文章并使用文章、文章的作者、出版商和术语信息构建文章库；通过文章库中文章以及文章的作者、出版商和术语，建立异构信息网络；使用三度影响力原则选取三度以内的元结构，并依据所选的元结构和基于元结构的相似度计算技术得到文章库中文章的相似度；提出方法为每个元结构加权来融合文章间基于不同元结构获得的不同的相似度；使用优化算法优化以求得使推荐效果最优的权重；为每篇文章根据最优权重下的相似度和年份生成推荐列表。本发明通过元结构将语义信息融入到文章的相似性计算中，增强了引文推荐的可解释性。
-
公开(公告)号：CN111831758B
公开(公告)日：2022-09-16
申请号：CN202010850921.2
申请日：2020-08-21
Applicant: 安徽大学
Abstract: 本发明涉及一种基于快速的层次属性网络表示学习的节点分类方法及装置，包括以下步骤：S1、构建网络G0；S2、得到一系列网络规模逐渐减小的层次属性网络；S3、获取低维向量表示；S4、获取层次属性网络节点特征；S6、将层次属性网络节点特征和标签送入到分类器中，预测未知类别的节点的标签。本发明先构建网络G0，并网络G0中的拓扑结构和节点的属性信息进行划分得到网络G1，重复划分过程，得到一系列网络规模逐渐减小的层次属性网络，层次属性网络表示方法能够很好的保留网络结构和属性信息及不同粒度的信息，从而提高节点分类的性能。
-
公开(公告)号：CN114490386A
公开(公告)日：2022-05-13
申请号：CN202210093923.0
申请日：2022-01-26
Applicant: 安徽大学
IPC: G06F11/36 , G06F16/215 , G06K9/62
Abstract: 本发明提供一种基于信息熵过采样的软件缺陷预测方法及系统，方法包括：获取软件缺陷数据集；将数据集划分为训练集测试集，并计算训练集中多数类样本和少数类样本的类确定性熵；根据类确定性熵将多数类样本和少数类样本划分为安全样本、关键样本、危险样本，并选择少数类关键样本作为种子样本；清除多数类危险样本；对少数类关键样本局部邻域约束过采样；采用新的平衡训练集训练软件缺陷预测模型，并对测试集进行测试。本发明解决了现有技术中存在的类不平衡及类重叠问题对分类模型产生不利影响，导致软件缺陷预测效果较差的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN119474406A
公开(公告)日：2025-02-18
申请号：CN202510052674.4
申请日：2025-01-14
Applicant: 安徽大学
IPC: G06F16/36 , G06F40/16 , G06F40/258 , G06F40/30 , G06N3/0442 , G06N3/045 , G06N5/025 , G06F16/31
Abstract: 本发明提供基于GLM‑4的无标注课程知识点图谱构建方法及系统，方法包括：生成知识点图谱的第一层次结构；根据第一层次结构，对章节及下属各级标题进行文档分割操作，得到章节独立单元、分级标题独立单元；进行数据清洗操作，得到预处理章节独立单元、预处理标题独立单元；进行知识点获取操作，调用GLM‑4模型的应用程序编程接口API，并给定prompt指令，据以利用GLM‑4模型，从预处理章节独立单元、预处理标题独立单元中，提取得到符合大纲知识点；利用GLM‑4模型进行噪声去除操作，得到去噪数据；通过余弦相似度算法进行比对；构建知识图谱。本发明解决了知识点图谱在粒度上过于细化，导致知识难以理解的技术问题。
-
公开(公告)号：CN118568484A
公开(公告)日：2024-08-30
申请号：CN202410451734.5
申请日：2024-04-16
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司 , 安徽省安全人工智能研究院
IPC: G06F18/214 , G06N20/00 , G06Q30/0601
Abstract: 本发明公开了一种检验推荐系统可靠性的对抗样本生成方法、设备及介质，其中方法包括：S1、在代理模型引入KL损失，提升在代理模型生成的对抗样本的隐蔽性；S2、迭代优化获取优化后代理模型；S3、优化后代理模型基于预梯度引导动量的优化策略生成优化后对抗样本；S4、对目标模型在新训练数据集上进行检验；S5、通过检验目标模型推荐系统用户分布变化，及目标模型向普通用户推荐目标项目情况，改进提高目标模型可靠性。本发明结合预梯度引导动量梯度优化策略和KL散度约束假用户生成，增强了推荐系统中对抗样本的可转移性，并生成更多难以察觉的假用户，可以更为真实的检验推荐系统可靠性，提高推荐系统防范能力。
-
公开(公告)号：CN118537624A
公开(公告)日：2024-08-23
申请号：CN202410532871.1
申请日：2024-04-30
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司 , 安徽省安全人工智能研究院
IPC: G06V10/764 , G06V10/40 , G06V10/774 , G06V20/56 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于数据多尺度特征的3D点云对抗攻击方法、设备及介质，方法包括从原始点云提取中间特征，构建自动编码器，提取原始点云的多尺度特征，获取重构点云，计算特征损失、重构损失和对抗损失，计算总损失函数值，优化自动编码器，以测试和评估3D点云分类模型在面对恶意扰动或有意设计的输入时的鲁棒性，促进更鲁棒分类算法的研究与开发。本发明从点云数据的特征空间出发，基于点云的多尺度特征使用自动编码器对点云进行重构，缓解对抗点云对代理模型网络结构的过度依赖，提升对抗点云的可迁移性；为改善3D点云分类模型的鲁棒性提供依据，有利于确保3D点云分类算法在自动驾驶等安全敏感领域的安全运用。
-
公开(公告)号：CN117972505A
公开(公告)日：2024-05-03
申请号：CN202311769505.X
申请日：2023-12-20
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
IPC: G06F18/241 , G06F18/23213 , G06N3/042 , G16H50/80
Abstract: 本发明公开了基于图自编码器的大规模属性网络社区发现方法及系统，方法包括：将大规模属性网络的节点和属性进行粗化，得到不同粒度的属性网络；将粒度最粗的属性网络输入一个两层的图卷积神经网络编码器中，得到特征矩阵F；基于不平衡分类损失、模块度损失、聚类损失构建图卷积神经网络编码器的总损失；更新图卷积神经网络编码器的权重矩阵，对其进行训练，直到总损失最小时停止训练，得到优化的图卷积神经网络编码器；利用优化的图卷积神经网络编码器输出的优化的特征矩阵F进行社区划分；本发明的优点在于：及时有效地识别出具有相似传播特性的节点社区，更有针对性地制定流感防控措施。
-
公开(公告)号：CN117592550B
公开(公告)日：2024-04-30
申请号：CN202410078661.X
申请日：2024-01-19
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
IPC: G06N3/094 , G06N3/042 , G06N3/084 , G06N3/0985 , G06F21/57
Abstract: 本申请提出了一种图神经网络模型黑盒攻击方法及装置，该方法包括：获取原始图数据并选择代理模型，根据原始图数据与代理模型，得到预测标签；将原始图数据初始化作为初始化后的对抗图，将对抗图输入到代理模型进行训练，得到目标代理模型；根据预测标签与目标代理模型，计算本次迭代的测试集损失，并基于两次迭代测试集损失值之差判断扰动是否满足预设条件，如果不满足预设条件，对扰动进行校正；在扰动满足预设条件时，根据损失函数构建增强动量梯度对当前对抗图进行更新，生成本次迭代的对抗图；当迭代次数达到预设迭代次数时，利用最终生成的对抗图对其他图神经网络模型进行攻击。本申请能够欺骗图神经网络模型，攻击基于图数据的应用系统。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.021 seconds)
