-
公开(公告)号:CN111767448B
公开(公告)日:2022-03-11
申请号:CN202010601323.1
申请日:2020-06-29
Applicant: 杭州电子科技大学
IPC: G06F16/953 , G06K9/62
Abstract: 本发明公开了一种基于扩散树的信息传播频繁模式挖掘方法,包括:S11.获取网络中的信息传播样本;S12.建立每条样本相对应的扩散树,得到每条样本的叶子节点,记录每条样本的叶子节点数量以及总节点数量,所述总节点数量为每条样本的样本规模;S13.计算每条样本的叶子节点数量占每条样本的总节点数量的比例L‑metric;S14.统计每条样本的样本规模,计算每条样本规模相对应的L‑metric值域的上下界,并根据L‑metric值域构建信息传播模式划分规则,将信息传播模式划分为五种传播模式;S15.判断样本相对应的信息传播模式,得到每条样本相对应的信息传播模式;S16.统计信息传播样本中所有样本的信息传播模式,筛选出信息传播样本中频数最高的信息传播模式,并作为信息传播的频繁模式。
-
公开(公告)号:CN117131284B
公开(公告)日:2025-02-18
申请号:CN202310715453.1
申请日:2023-06-15
Applicant: 杭州电子科技大学 , 联通(浙江)产业互联网有限公司
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了考虑预算约束的影响力最大化启发式方法及系统,方法步骤如下:步骤1.将任意节点u的Su值初始化为1,Fu值为节点u的所有出度边(u,v)的权重p(u,v)与出度邻居v的Sv值的乘积之和;步骤2.在每轮迭代中找出满足当前剩余预算的节点作为候选节点,找出候选节点中单位成本边际影响力最大的节点k为种子节点,并相应地将当前种子节点的Sk值与Fk值置0;步骤3.当某个节点u在t‑1时刻被选为种子节点时,其出度邻居v有可能被激活,此时v仍未被激活的概率会相应减少;更新t时刻节点v的Sv值;步骤4.更新所有节点的Fw值;节点w在t时刻的F值#imgabs0#是节点w的期望一阶影响力;步骤5.重复步骤2‑4,直到所有预算被用完或没有符合预算条件的候选节点。
-
公开(公告)号:CN111767448A
公开(公告)日:2020-10-13
申请号:CN202010601323.1
申请日:2020-06-29
Applicant: 杭州电子科技大学
IPC: G06F16/953 , G06K9/62
Abstract: 本发明公开了一种基于扩散树的信息传播频繁模式挖掘方法,包括:S11.获取网络中的信息传播样本;S12.建立每条样本相对应的扩散树,得到每条样本的叶子节点,记录每条样本的叶子节点数量以及总节点数量,所述总节点数量为每条样本的样本规模;S13.计算每条样本的叶子节点数量占每条样本的总节点数量的比例L-metric;S14.统计每条样本的样本规模,计算每条样本规模相对应的L-metric值域的上下界,并根据L-metric值域构建信息传播模式划分规则,将信息传播模式划分为五种传播模式;S15.判断样本相对应的信息传播模式,得到每条样本相对应的信息传播模式;S16.统计信息传播样本中所有样本的信息传播模式,筛选出信息传播样本中频数最高的信息传播模式,并作为信息传播的频繁模式。
-
公开(公告)号:CN117131284A
公开(公告)日:2023-11-28
申请号:CN202310715453.1
申请日:2023-06-15
Applicant: 杭州电子科技大学 , 联通(浙江)产业互联网有限公司
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了考虑预算约束的影响力最大化启发式方法及系统,方法步骤如下:步骤1.将任意节点u的Su值初始化为1,Fu值为节点u的所有出度边(u,v)的权重p(u,v)与出度邻居v的Sv值的乘积之和;步骤2.在每轮迭代中找出满足当前剩余预算的节点作为候选节点,找出候选节点中单位成本边际影响力最大的节点k为种子节点,并相应地将当前种子节点的Sk值与Fk值置0;步骤3.当某个节点u在t‑1时刻被选为种子节点时,其出度邻居v有可能被激活,此时v仍未被激活的概率会相应减少;更新t时刻节点v的Sv值;步骤4.更新所有节点的Fw值;节点w在t时刻的F值是节点w的期望一阶影响力;步骤5.重复步骤2‑4,直到所有预算被用完或没有符合预算条件的候选节点。
-
公开(公告)号:CN119624716A
公开(公告)日:2025-03-14
申请号:CN202411738589.5
申请日:2024-11-29
Applicant: 杭州电子科技大学
IPC: G06Q50/20 , G06Q10/0639 , G06N3/0455 , G06N5/022 , G06N5/04
Abstract: 本申请公开了一种基于大语言模型的虚拟教学训练方法、系统及介质,该基于大语言模型的虚拟教学训练方法包括以下步骤:根据教学层次和学科内容,确定预设的虚拟学生的特征参数;构建大语言模型,基于大语言模型根据预设的虚拟学生的特征参数生成虚拟学生,并输入多模态教学信息;虚拟学生针对多模态教学信息进行模型训练与学习,产生学习状态信息和反馈信息;虚拟教学专家基于评估结果提出动态调整优化教学策略的建议;通过模拟不同先验知识水平和认知能力的虚拟学生进行动态学习和交互反馈,同时利用构建的虚拟专家系统对教学过程进行实时评估和个性化改进建议,帮助使用者持续优化教学策略,提高特定学科的教学质量。
-
-
-
-