一种基于模型无关元学习的联邦推荐方法及系统

    公开(公告)号:CN115409203A

    公开(公告)日:2022-11-29

    申请号:CN202210879263.9

    申请日:2022-07-25

    Abstract: 本发明公开了一种基于模型无关元学习的联邦推荐方法及系统。本方法为:1)服务器选取多个客户端,并将所选推荐模型发送至每一客户端;2)各客户端将本地数据划分为支持集和查询集;3)各客户端基于本地支持集训练并更新收到的推荐模型;4)各客户端将更新后的推荐模型在查询集上验证并计算模型梯度;5)服务器收集各客户端计算的梯度,基于平均梯度更新推荐模型并将其发送给各客户端进行下一轮次的训练;6)重复步骤3)~5)直到设定条件,各客户端得到一公共的推荐模型;7)每一客户端利用本地数据训练该公共的推荐模型,得到各自的个性化推荐模型;8)客户端m将目标应用场景中的交互数据输入个性化推荐模型,获取个性化推荐结果。

    数据即服务模式下支持范围查询的隐私保护方法和系统

    公开(公告)号:CN110378144B

    公开(公告)日:2021-09-07

    申请号:CN201910481273.5

    申请日:2019-06-04

    Abstract: 本发明涉及一种数据即服务模式下支持范围查询的隐私保护方法和系统。在数据即服务的管理模式中,数据服务商的安全策略可能并不完备,数据所有者对其并不完全信任。在这样的环境下,设计一个能够完备的、能够保证数据隐私安全同时数据查询相对高效的机制是很有必要的。已有的数据即服务的管理模式中存在时间效率低和隐私信息攻击的风险。本发明提出一个完备、隐私安全并且支持范围查询和数据验证的方案,其核心是通过对数据分区,在同一分区内的数据采取哈希函数部分和的方式获得索引;为了能够在范围查询时避免假命中数据和数据验证,引入了查询精度和验证矩阵。通过实验验证,本发明具有很好的时间效率,同时能够很好地减少数据信息泄露。

    数据即服务模式下支持范围查询的隐私保护方法和系统

    公开(公告)号:CN110378144A

    公开(公告)日:2019-10-25

    申请号:CN201910481273.5

    申请日:2019-06-04

    Abstract: 本发明涉及一种数据即服务模式下支持范围查询的隐私保护方法和系统。在数据即服务的管理模式中,数据服务商的安全策略可能并不完备,数据所有者对其并不完全信任。在这样的环境下,设计一个能够完备的、能够保证数据隐私安全同时数据查询相对高效的机制是很有必要的。已有的数据即服务的管理模式中存在时间效率低和隐私信息攻击的风险。本发明提出一个完备、隐私安全并且支持范围查询和数据验证的方案,其核心是通过对数据分区,在同一分区内的数据采取哈希函数部分和的方式获得索引;为了能够在范围查询时避免假命中数据和数据验证,引入了查询精度和验证矩阵。通过实验验证,本发明具有很好的时间效率,同时能够很好地减少数据信息泄露。

    一种滑动窗口下多维数据重复检测快速索引方法

    公开(公告)号:CN105989061A

    公开(公告)日:2016-10-05

    申请号:CN201510066798.4

    申请日:2015-02-09

    Abstract: 本发明涉及一种滑动窗口下多维数据重复检测快速索引方法。该方法采用压缩计数型布隆过滤器矩阵数组来维护滑动窗口内的数据项,在滑动窗口内维护多个子窗口,队首子窗口以滑动方式接收新元素,队尾子窗口以滑动方式淘汰老元素;每个独立子窗口由一个计数型布隆过滤器矩阵组成,计数型布隆过滤器矩阵具备面向多维数据的维度删减能力,并且其内部维护计数器单元。通过对所有计数型布隆过滤器矩阵均采用相同的设计容量并共享同一组k个哈希函数,能够有效提升重复元素检测效率;通过在计数器单元中维护系统基础时钟,能够有效支持滑动窗口的元素隐式删除;通过矩阵方式维护多维数据,有效降低多维数据的组合误差率,降低整体误判率。

    一种滑动窗口下多维数据重复检测快速索引方法

    公开(公告)号:CN105989061B

    公开(公告)日:2019-11-26

    申请号:CN201510066798.4

    申请日:2015-02-09

    Abstract: 本发明涉及一种滑动窗口下多维数据重复检测快速索引方法。该方法采用压缩计数型布隆过滤器矩阵数组来维护滑动窗口内的数据项,在滑动窗口内维护多个子窗口,队首子窗口以滑动方式接收新元素,队尾子窗口以滑动方式淘汰老元素;每个独立子窗口由一个计数型布隆过滤器矩阵组成,计数型布隆过滤器矩阵具备面向多维数据的维度删减能力,并且其内部维护计数器单元。通过对所有计数型布隆过滤器矩阵均采用相同的设计容量并共享同一组k个哈希函数,能够有效提升重复元素检测效率;通过在计数器单元中维护系统基础时钟,能够有效支持滑动窗口的元素隐式删除;通过矩阵方式维护多维数据,有效降低多维数据的组合误差率,降低整体误判率。

    集群内存自适应管理方法、服务器集群系统

    公开(公告)号:CN103226520A

    公开(公告)日:2013-07-31

    申请号:CN201310113105.3

    申请日:2013-04-02

    Abstract: 本发明涉及一种集群内存自适应管理方法、服务器集群。其中,集群内存自适应管理方法包括:对于数据服务器集群中的每个数据服务器,在使用前对该数据服务器按照变步长加性增长方式进行内存预分配,将内存分割为设定数目的片组,每个片组的总容量相等,每个片组包含容量相等的多个分片。本发明的集群内存自适应调管理方法,采用优化模式的内存预先分配的策略,保证了内存的合理分片,从而提高了内存的存取效率,也减少了内存碎片的产生。此外,本发明的集群内存自适应调管理方法能够进行内存自适应调整,大大提高了内存的自治能力和稳定性。

    一种基于快速傅里叶变换和可学习滤波器的联邦推荐方法

    公开(公告)号:CN115409204A

    公开(公告)日:2022-11-29

    申请号:CN202210884125.X

    申请日:2022-07-26

    Abstract: 本发明公开了一种基于快速傅里叶变换和可学习滤波器的联邦推荐方法。本方法为:服务器选取多个客户端,并将全局模型发送至每一所选客户端;各客户端分别利用本地数据集对全局模型进行训练更新;服务器收集各客户端计算的模型参数并进行平均,获取本轮更新后的全局模型,并进行下一轮次的训练。客户端的本地模型训练:1)根据用户的交互项目序列生成嵌入矩阵;2)将嵌入矩阵进行快速傅里叶变换至频域;3)将上述结果乘以一个滤波器来调制频域,再快速傅里叶逆变换将其变回时域后输入前馈神经网络,得到用户兴趣表示;4)基于用户兴趣表示与嵌入矩阵计算用户对各项目的偏好分数;5)根据所述偏好分数对各项目进行排序,得到项目推荐结果。

    一种聚焦于用户核心兴趣的序列推荐方法及装置

    公开(公告)号:CN114461906A

    公开(公告)日:2022-05-10

    申请号:CN202210024433.5

    申请日:2022-01-06

    Abstract: 本发明公开了一种聚焦于用户核心兴趣的序列推荐方法及装置,包括获取用户与项目的交互序列以及所述交互序列中每个交互行为对应的时间戳;得到所述交互序列的嵌入矩阵;对所述嵌入矩阵进行自注意力计算,得到每一查询对于所有键的注意力值概率分布;获取每一查询的预先定义固定默认概率分布;根据两个概率分布相似性,得到各查询的活跃性度量;基于所述活跃性度量分别计算各键的注意力值,以构建自注意力矩阵;依据所述自注意力矩阵,得到所述用户的项目推荐结果。本发明通过在嵌入层加入时间间隔,并加入了活跃性度量指标,从而可以自适应地衡量项目与用户核心兴趣之间的相关性,提高了模型表达能力和推荐结果的准确率。

    一种聚焦于用户核心兴趣的序列推荐方法及装置

    公开(公告)号:CN114461906B

    公开(公告)日:2025-05-02

    申请号:CN202210024433.5

    申请日:2022-01-06

    Abstract: 本发明公开了一种聚焦于用户核心兴趣的序列推荐方法及装置,包括获取用户与项目的交互序列以及所述交互序列中每个交互行为对应的时间戳;得到所述交互序列的嵌入矩阵;对所述嵌入矩阵进行自注意力计算,得到每一查询对于所有键的注意力值概率分布;获取每一查询的预先定义固定默认概率分布;根据两个概率分布相似性,得到各查询的活跃性度量;基于所述活跃性度量分别计算各键的注意力值,以构建自注意力矩阵;依据所述自注意力矩阵,得到所述用户的项目推荐结果。本发明通过在嵌入层加入时间间隔,并加入了活跃性度量指标,从而可以自适应地衡量项目与用户核心兴趣之间的相关性,提高了模型表达能力和推荐结果的准确率。

    基于启发式规则的主机软件发现方法及装置

    公开(公告)号:CN116541052A

    公开(公告)日:2023-08-04

    申请号:CN202310401953.8

    申请日:2023-04-14

    Abstract: 本发明公开一种基于启发式规则的主机软件发现方法及装置。所述方法包括:获取目标主机中所有文件目录节点的属性;基于该属性对所述文件目录节点聚类,得到若干个软件簇;针对每一个软件簇,基于所有文件的绝对路径构建前缀树,并基于前缀树,获取该软件簇中频次最高的k个最长公共前缀;将每一个软件簇的k个最长公共前缀与软件名单中的软件名进行模糊匹配,以得到目标主机的软件发现结果。本发明可以在保持很小的性能损失的同时提升模型的推理速度。能够自动化发现目标主机内通过各种途径安装的软件,且不需要事先训练模型。

Patent Agency Ranking