-
公开(公告)号：CN109376249A
公开(公告)日：2019-02-22
申请号：CN201811042565.0
申请日：2018-09-07
Applicant: 桂林电子科技大学
Abstract: 本发明提出一种基于自适应负采样的知识图谱嵌入方法,包括以下步骤：步骤1、根据实体间的相似性对实体向量进行分组；步骤2、利用同一分组内的相似实体进行相互替换并生成与正例三元组相似的负例三元组；步骤3、将所述正例三元组与所述负例三元组作为知识图谱嵌入模型中的训练输入；步骤4、利用所述知识图谱嵌入模型的损失函数优化更新实体向量与关系向量。本发明提高了替换实体与被替换实体之间的相似度，从而提高负例三元组质量；根据实体在知识图谱中出现的频率对实体进行采用，提高了高频实体被训练的次数；通过提高负例三元组的质量，有效的实现了知识图谱中实体与关系的嵌入。
-
公开(公告)号：CN110008469B
公开(公告)日：2022-06-07
申请号：CN201910207179.0
申请日：2019-03-19
Applicant: 桂林电子科技大学
IPC: G06F40/295 , G06F40/30 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明提出一种多层次命名实体识别方法，包括：S1对数据文本进行预处理，得到词汇表C；S2利用预训练好的词向量，结合文本的字符特征信息序列，得到的文本的向量表示；S3对所述文本的向量表示进行编码，得到编码后的文本特征向量序列；S4把所述文本特征向量序列用CRF模型进行解码，标注出所述文本特征向量序列中的实体；S5把标记处的实体的前文信息、后文信息以及该实体的信息作为后续的识别过程的候选序列；S6将所述文本特征向量序列以及所述候选序列，输入到基于注意力机制的推理单元，计算得到注意力向量；S7把所述注意力向量和所述文本特征向量序列输入到CRF模型中，标注出序列中的实体。
-
公开(公告)号：CN108847169A
公开(公告)日：2018-11-20
申请号：CN201810767254.4
申请日：2018-07-13
Applicant: 桂林电子科技大学
Abstract: 本发明提出一种用于室内景区的智能讲解设备，包括：数据存储模块，存储有讲解匹配文件、讲解文件；“讲解位置”判断模块，用于判断讲解设备是否进入“讲解位置”；讲解点判断模块，用于获得当前讲解设备所面向的方向，再将该方向信息与讲解匹配文件中的“讲解位置”的信息比较，判断当前讲解设备所面向的方向上是否有需要的讲解点；播放模块，用于在判断讲解设备所面向的方向有讲解点时，通过讲解软件播放对应于该讲解点的讲解文件。本发明根据游览路线需要布置iBeacon基站，并结合智能讲解设备的地磁传感器区分讲解位置上的多个讲解点，大大降低了iBeacon基站硬件消耗，从而降低了系统建设成本，也减轻了操作人员的维护工作，节省了导览系统的维护成本。
-
公开(公告)号：CN108875005A
公开(公告)日：2018-11-23
申请号：CN201810620123.3
申请日：2018-06-15
Applicant: 桂林电子科技大学
Abstract: 本发明提出一种基于游览行为的游客偏好学习系统,该系统包括iBeacon模块、智能终端、应用程序和服务器；所述iBeacon模块用于标识景区内部游览点或展厅内部展品的位置信息；所述应用程序用于接收并解析iBeacon模块的广播数据包，计算智能终端和iBeacon设备之间的距离，识别游客当前所处的游览点；所述智能终端采集游客在某个游览点的游览行为数据并上传游览行为数据至服务器；所述服务器用于处理并存储游客的游览行为数据，并根据偏好学习模型获取游客对不同游览点的偏好。本发明提出的将iBeacon模块和智能终端相结合获取游客游览行为的方法，可以获取游客细粒度的游览行为，根据本发明提出的游客偏好学习系统，可获取游客针对某一景区内各个游览点的细粒度游览偏好。
-
公开(公告)号：CN111415198B
公开(公告)日：2023-04-28
申请号：CN202010195068.5
申请日：2020-03-19
Applicant: 桂林电子科技大学
IPC: G06Q30/0201 , G06Q30/0203 , G06Q30/0601 , G06Q50/14 , H04W4/80
Abstract: 本发明公开了一种基于逆向强化学习的游客行为偏好建模方法，基于iBeacon对展品进行定位，结合智能手机接收拍照广播的次数和iBeacon的位置标识，上传并存储游览行为数据，获取马尔科夫决策过程中的五个元素，构建马尔科夫决策过程模型，利用函数逼近法构造回报函数，获取并在所述回报函数中加入归一化后的拍照次数和停留时间，并把所述游览数据转换为专家示例数据，采用玻尔兹曼分布来计算策略，得到对数似然估计函数后，进行求导和更新权重向量，并当满足设定条件时，结束偏好的学习，能根据有限的游客游览数据学习出精准的游客偏好。
-
Patent Agency Ranking
公开(公告)号：CN109376249B
公开(公告)日：2021-11-30
申请号：CN201811042565.0
申请日：2018-09-07
Applicant: 桂林电子科技大学
IPC: G06F16/36 , G06F40/289
Abstract: 本发明提出一种基于自适应负采样的知识图谱嵌入方法,包括以下步骤：步骤1、根据实体间的相似性对实体向量进行分组；步骤2、利用同一分组内的相似实体进行相互替换并生成与正例三元组相似的负例三元组；步骤3、将所述正例三元组与所述负例三元组作为知识图谱嵌入模型中的训练输入；步骤4、利用所述知识图谱嵌入模型的损失函数优化更新实体向量与关系向量。本发明提高了替换实体与被替换实体之间的相似度，从而提高负例三元组质量；根据实体在知识图谱中出现的频率对实体进行采用，提高了高频实体被训练的次数；通过提高负例三元组的质量，有效的实现了知识图谱中实体与关系的嵌入。
-
公开(公告)号：CN109165278B
公开(公告)日：2021-11-09
申请号：CN201811042564.6
申请日：2018-09-07
Applicant: 桂林电子科技大学
Abstract: 本发明提出一种基于实体和关系结构信息的知识图谱表示学习方法,包括以下步骤：获取知识图谱中实体的结构语义信息与关系的结构语义信息；根据所述实体的结构语义信息与关系的结构语义信息，构建实体目标向量与目标关系向量；根据所述实体目标向量与目标关系向量，构建得分函数；根据所述得分函数构建损失函数，通过最小化所述损失函数，学习实体与关系的最佳向量表示。本发明充分地利用了实体和关系周围的结构信息来对实体和关系的表示进行丰富和约束。本发明有效地增强了对实体和关系的表达能力，构造了全新的目标函数，从而更好的对实体和关系进行表示，并保存实体和关系之间的联系，从而能够很好的应用于大规模的知识图谱补全当中。
-
公开(公告)号：CN108875005B
公开(公告)日：2021-03-26
申请号：CN201810620123.3
申请日：2018-06-15
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06F16/9537 , G06N20/00
Abstract: 本发明提出一种基于游览行为的游客偏好学习系统,该系统包括iBeacon模块、智能终端、应用程序和服务器；所述iBeacon模块用于标识景区内部游览点或展厅内部展品的位置信息；所述应用程序用于接收并解析iBeacon模块的广播数据包，计算智能终端和iBeacon设备之间的距离，识别游客当前所处的游览点；所述智能终端采集游客在某个游览点的游览行为数据并上传游览行为数据至服务器；所述服务器用于处理并存储游客的游览行为数据，并根据偏好学习模型获取游客对不同游览点的偏好。本发明提出的将iBeacon模块和智能终端相结合获取游客游览行为的方法，可以获取游客细粒度的游览行为，根据本发明提出的游客偏好学习系统，可获取游客针对某一景区内各个游览点的细粒度游览偏好。
-
公开(公告)号：CN110008469A
公开(公告)日：2019-07-12
申请号：CN201910207179.0
申请日：2019-03-19
Applicant: 桂林电子科技大学
Abstract: 本发明提出一种多层次命名实体识别方法，包括：S1对数据文本进行预处理，得到词汇表C；S2利用预训练好的词向量，结合文本的字符特征信息序列，得到的文本的向量表示；S3对所述文本的向量表示进行编码，得到编码后的文本特征向量序列；S4把所述文本特征向量序列用CRF模型进行解码，标注出所述文本特征向量序列中的实体；S5把标记处的实体的前文信息、后文信息以及该实体的信息作为后续的识别过程的候选序列；S6将所述文本特征向量序列以及所述候选序列，输入到基于注意力机制的推理单元，计算得到注意力向量；S7把所述注意力向量和所述文本特征向量序列输入到CRF模型中，标注出序列中的实体。
-
公开(公告)号：CN111415198A
公开(公告)日：2020-07-14
申请号：CN202010195068.5
申请日：2020-03-19
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于逆向强化学习的游客行为偏好建模方法，基于iBeacon对展品进行定位，结合智能手机接收拍照广播的次数和iBeacon的位置标识，上传并存储游览行为数据，获取马尔科夫决策过程中的五个元素，构建马尔科夫决策过程模型，利用函数逼近法构造回报函数，获取并在所述回报函数中加入归一化后的拍照次数和停留时间，并把所述游览数据转换为专家示例数据，采用玻尔兹曼分布来计算策略，得到对数似然估计函数后，进行求导和更新权重向量，并当满足设定条件时，结束偏好的学习，能根据有限的游客游览数据学习出精准的游客偏好。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.032 seconds)
