-
公开(公告)号：CN110262809B
公开(公告)日：2023-05-23
申请号：CN201910457313.2
申请日：2019-05-29
Applicant: 济南大学
IPC: G06F8/61
Abstract: 本公开公开了基于持续集成和虚拟化容器的校园应用发布方法及系统，包括：接收用户发布的校园应用代码，将校园应用代码存储到代码仓库；将用户发布的校园应用代码，转化为XML文件，并将XML文件发送给持续集成Jenkins；持续集成Jenkins接收到XML文件后，对XML文件进行解析，根据解析结果配合Docker虚拟化容器完成相应的操作，完成校园应用的发布；接收用户对校园应用的访问指令，根据访问指令从校园数据库中调取相应的数据，反馈给用户。
-
公开(公告)号：CN113254782B
公开(公告)日：2023-05-05
申请号：CN202110661472.1
申请日：2021-06-15
Applicant: 济南大学
IPC: G06F16/9535 , G06F16/332 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种问答社区专家推荐方法及系统，属于互联网技术领域，获取问答社区上的目标问题；利用预先训练好的推荐模型处理所述目标问题，得到所述目标问题在所述问答社区内对应的一个最优专家用户，作为目标专家用户；其中，预先训练好的推荐模型由训练集训练得到；所述训练集包括：所述问答社区内的多个问题，以及标记某专家用户是所述多个问题中的某个问题的最优专家用户的标签，以及标记某专家用户不是所述多个问题中的某个问题的最优专家用户的标签。本发明结合用户显式兴趣和隐式兴趣，关注用户兴趣和用户专业知识的时间动态，充分利用显示与隐式方面特征的结合来表征深层次特征，处理动态序列信息，提升了推荐准确性和推荐效率。
-
公开(公告)号：CN115168566A
公开(公告)日：2022-10-11
申请号：CN202210914791.3
申请日：2022-08-01
Applicant: 济南大学
IPC: G06F16/335 , G06F16/35 , G06F40/126 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多信息过滤编码的多标签文本分类方法及系统，该方法包括：获取包含标签的文本训练集；基于文本训练集，得到文本和标签的单词向量；通过多信息过滤编码进行文本信息和标签信息的过滤和特征提取，得到过滤的文本特征和标签特征；通过过滤的文本特征和过滤的标签特征交互，结合过滤的文本特征，得到最终文本向量表示，以此训练多标签文本分类模型；利用训练好的多标签文本分类模型对待分类文本数据集进行多标签文本分类。本发明通过过滤文本信息和标签信息的噪音及冗余信息，分别在文本空间和标签空间提取过滤信息中的语义特征，通过过滤的语义特征的交互，捕获更多与分类相关的信息，提高多标签文本分类的精度。
-
公开(公告)号：CN109583130B
公开(公告)日：2022-10-11
申请号：CN201811546286.8
申请日：2018-12-18
Applicant: 济南大学
IPC: G06F30/17 , G06F119/14
Abstract: 本发明公开了一种计算直齿轮啮合位置下轴危险截面当量弯矩的方法，它包括以下步骤：S1，获取直齿轮和轴的相关数据；S2，计算直齿轮啮合位置的圆周力和径向力；S3，计算直齿轮啮合位置下轴垂直面和水平面的左端支承反力；S4，计算直齿轮啮合位置下轴危险截面的合成弯矩和转矩；S5，计算直齿轮啮合位置下轴危险截面的当量弯矩。本发明可计算直齿轮从啮入到啮出任意啮合位置下轴危险截面的当量弯矩，与传统计算方法相比，更加全面。
-
公开(公告)号：CN112861130B
公开(公告)日：2022-09-06
申请号：CN202110118437.5
申请日：2021-01-28
Applicant: 济南大学
Abstract: 本公开提供了一种从N到N+1的多类转换恶意软件检测方法，包括获取待测软件的网络流量，输入到预训练的检测模型中，输出待测软件的检测结果；其中，所述检测模型的训练及更新过程包括：通过聚类算法对初始训练集进行分类处理，将所述初始训练集构建成树形结构，树的节点为训练样本中不同类别的质心；随着训练样本的更新，将增量数据样本输入预训练的检测模型，对所述检测模型进行更新，生成最新的检测模型；所述方案通过对动态增长的数据集进行有效处理，解决了训练数据的数量和类的数量随着时间的推移而增加场景下的恶意软件检测问题。
-
Patent Agency Ranking
公开(公告)号：CN114911933A
公开(公告)日：2022-08-16
申请号：CN202210446994.4
申请日：2022-04-26
Applicant: 济南大学
IPC: G06F16/35 , G06F16/33 , G06F16/36 , G06F40/253 , G06F40/30
Abstract: 本发明属于自然语言处理技术领域，提供了基于图内图间联合信息传播的假新闻检测方法及系统，包括：获取待检测文本，并进行预处理后，分别构建文本顺序图、文本语法图和文本语义图；基于文本顺序图、文本语法图和文本语义图，先进行图内信息交互，再进行图间信息交互后，得到联合信息文本顺序图、联合信息文本语法图和联合信息文本语义图，通过图注意力机制和节点注意力机制，得到待检测文本的向量表示，输入到分类器，得到待检测文本是否属于假新闻的结果。解决了短文本向量化时存在的特征稀疏问题，丰富了文本向量表示，解决了长距离和非连续文本信息交互缺失问题，提高文本表示的精确度。
-
公开(公告)号：CN113704473A
公开(公告)日：2021-11-26
申请号：CN202111005192.1
申请日：2021-08-30
Applicant: 济南大学
IPC: G06F16/35 , G06F40/216 , G06F40/237 , G06F40/284 , G06F40/289 , G06F40/30 , G06N3/04 , G06N3/08 , G06N20/00
Abstract: 本发明提供了一种基于长文本特征提取优化的媒体假新闻检测方法及系统，对获取的媒体数据进行预处理；对预处理后的媒体数据根据数据对齐的统一长度分为长文本与短文本，并采用不同方式提取相应类别的新闻文本特征，输出文本特征的向量化表示；根据所述媒体数据的应用场景，利用不同的预训练后的深度学习分类模型对文本特征的向量化表示进行真假性预测，得到检测结果。本发明能够减少数据噪声问题，解决自编码模型存在的预训练‑微调阶段的学习偏差，降低特征维度，解决长文本信息丢失问题，提高特征学习能力。
-
公开(公告)号：CN112861130A
公开(公告)日：2021-05-28
申请号：CN202110118437.5
申请日：2021-01-28
Applicant: 济南大学
Abstract: 本公开提供了一种从N到N+1的多类转换恶意软件检测方法，包括获取待测软件的网络流量，输入到预训练的检测模型中，输出待测软件的检测结果；其中，所述检测模型的训练及更新过程包括：通过聚类算法对初始训练集进行分类处理，将所述初始训练集构建成树形结构，树的节点为训练样本中不同类别的质心；随着训练样本的更新，将增量数据样本输入预训练的检测模型，对所述检测模型进行更新，生成最新的检测模型；所述方案通过对动态增长的数据集进行有效处理，解决了训练数据的数量和类的数量随着时间的推移而增加场景下的恶意软件检测问题。
-
公开(公告)号：CN112764791A
公开(公告)日：2021-05-07
申请号：CN202110097851.2
申请日：2021-01-25
Applicant: 济南大学
Abstract: 本发明提供了增量更新的恶意软件检测方法及系统。其中该方法包括获取应用程序产生的TCP流，提取TCP流的统计特征；将TCP流的统计特征输入至增量更新的检测模型中，输出应用程序是否为恶意应用程序；增量更新的检测模型的训练过程为：使用训练集Train1和测试集Test1对初始化模型进行训练和测试；将增量数据集划分临时训练集Temp和测试集I‑Test；其中增量数据集、训练集Train1和测试集Test1均由正常应用程序及恶意应用程序所产生的TCP流的统计特征构成；使用临时训练集Temp训练临时模型；临时模型和初始化模型均由设定数量的决策树模型构成；使用测试集I‑Test分别对初始化模型和临时模型进行测试，通过精确度筛选初始化模型和临时模型中决策树模型，最终组成最新的检测模型。
-
公开(公告)号：CN112150614A
公开(公告)日：2020-12-29
申请号：CN202011018012.9
申请日：2020-09-24
Applicant: 济南大学
Abstract: 本发明公开了基于微观结构图像的水泥三维仿真模型建立方法及系统，包括：载入待建模水泥的水泥微观结构的所有二维切片图，构建GPU并行线程，给三维微观结构图像的每个二维切片图分配一个线程；在每个线程中，对每个二维切片图进行边缘检测，来获取其边缘特征散点集合；对边缘特征散点集合进行冗余剔除操作；进行缺失特征点添加，获得目标特征散点集合；对所获得的目标特征散点集合使用MLS方法进行散点集合的拟合，获取拟合的水化控制参数向量；使用GPU并行处理所有线程的方式，进行三维水泥演化过程控制和微观结构图像重构展示。
-
-
-
-
-
-
-
-
-
Search Results
211
records
(took 0.111 seconds)
