-
公开(公告)号：CN109523012A
公开(公告)日：2019-03-26
申请号：CN201811184604.0
申请日：2018-10-11
Applicant: 上海交通大学
Abstract: 本发明提供一种基于变分解耦合方式对符号有向网络的表达学习方法，读取社交网站的符号有向网络数据，符号有向网络数据主要包括节点间边正负和方向的网络数据；令符号有向网络数据根据符号进行分离，得到正无向图、负无向图，所述正无向图用邻接矩阵A+表示，所述负无向图用邻接矩阵A-表示；令邻接矩阵A+、A-输入至变分解耦合编码器，进行节点编码后的向量表达学习，记为学习后向量表达；基于符号有向网络中节点间的关系构建结构解码器，依照目标损失函数进行修正，得到优化后向量表达；令优化后向量表达应用于设定的数据挖掘任务。通过分离符号有向网络形成正无向网络、负无向网络，学习节点的符号化局部连续性特征，充分挖掘节点间的依赖性模式，适合于社交网络中用户推荐。
-
公开(公告)号：CN109446413A
公开(公告)日：2019-03-08
申请号：CN201811116273.7
申请日：2018-09-25
Applicant: 上海交通大学
IPC: G06F16/9535 , G06F17/16 , G06N3/08 , G06Q30/06
Abstract: 本发明提供一种基于物品关联关系的序列化推荐方法，从网络端获取用户与物品之间的交互数据；令交互数据构建物品的共生关系图，所述共生关系图用关联关系图邻接矩阵进行表示；令关联关系图邻接矩阵进行图卷积操作，获得物品的关联性特征；令物品的关联性特征输入推荐模型进行训练；令推荐模型输出序列化推荐。能够对用户行为中隐含的物品关联性关系的挖掘，与序列化推荐模型联合训练，为用户的序列化推荐提供服务；利用用户与物品交互数据挖掘物品间的关联关系，并对关联关系进行了向量化的表示，直观而客观的展现每个物品的关联性特征，采用欧式距离对关联物品分析；以端到端的方式和序列化推荐模型协同训练，为用户提供最终的序列化推荐服务。
-
Patent Agency Ranking
-
公开(公告)号：CN117245449A
公开(公告)日：2023-12-19
申请号：CN202311414599.9
申请日：2023-10-27
Applicant: 上海交通大学
IPC: B23Q17/24
Abstract: 本发明提供一种五轴机床在机测量的高精度比对测量方法及系统，包括：获取工件的表面点位数据，并将获得表面点位数据的工件作为标准件；将标准件和待测试工件对称夹在机床的旋转台上，确保在旋转180°后，标准件的位置与测试工件的位置相同；按照设定的测量路径，测量测试工件表面；将机床的C轴旋转180°，使标准件的位置与测试工件的位置相同，使用测量测试工件表面；使用坐标测量机获得的标准件表面点位数据和获得的标准件在机测量点位数据来校准标准件表面，消除表面的加工误差；计算测试工件与校准标准件之间的误差，得到的表面误差。本发明无需额外的机床系统误差检测和补偿，操作简便，高效，成本效益显著。
-
公开(公告)号：CN109446413B
公开(公告)日：2021-06-01
申请号：CN201811116273.7
申请日：2018-09-25
Applicant: 上海交通大学
IPC: G06F16/9535 , G06F17/16 , G06N3/08 , G06Q30/06
Abstract: 本发明提供一种基于物品关联关系的序列化推荐方法，从网络端获取用户与物品之间的交互数据；令交互数据构建物品的共生关系图，所述共生关系图用关联关系图邻接矩阵进行表示；令关联关系图邻接矩阵进行图卷积操作，获得物品的关联性特征；令物品的关联性特征输入推荐模型进行训练；令推荐模型输出序列化推荐。能够对用户行为中隐含的物品关联性关系的挖掘，与序列化推荐模型联合训练，为用户的序列化推荐提供服务；利用用户与物品交互数据挖掘物品间的关联关系，并对关联关系进行了向量化的表示，直观而客观的展现每个物品的关联性特征，采用欧式距离对关联物品分析；以端到端的方式和序列化推荐模型协同训练，为用户提供最终的序列化推荐服务。
-
公开(公告)号：CN109543100B
公开(公告)日：2021-04-02
申请号：CN201811287804.9
申请日：2018-10-31
Applicant: 上海交通大学
IPC: G06F16/9535 , G06Q30/06
Abstract: 本发明提供了一种基于协同学习的用户兴趣建模方法和系统，利用用户的历史交互行为数据和辅助信息数据，协同地对用户兴趣进行建模，给用户推荐符合心理的物品。在训练阶段中，利用两个变分自编码器(VAE)对两种信息分别进行编码，得到两个表征用户兴趣的变分分布，同时提出利用协同学习机制对两个变分分布进行相互约束。在预测阶段中，根据新用户的历史交互行为数据或者辅助信息数据为其推荐新的物品。采用变分分布来表征用户兴趣爱好，在两个变分自编码器之间设计了基于相对熵的协同学习训练，使得两个变分自编码器利用两种数据能够相互增强，从而使变分分布能够更加准确的表征用户兴趣，进而为用户推荐出更加符合心理的物品。
-
公开(公告)号：CN101825869A
公开(公告)日：2010-09-08
申请号：CN201010171776.1
申请日：2010-05-13
Applicant: 上海交通大学
Abstract: 一种信息处理技术领域的基于数据驱动的过热器模型参数辨识方法，包括以下步骤：建立锅炉过热器的非线性集总参数模型，确定已知锅炉运行状态参数和需要辨识的参数；对已知锅炉运行状态参数进行坏点处理和数据平滑处理，得到已知锅炉运行状态参数实时数据库；建立n个不同负荷段的训练样本数据库，并对参数进行归一化处理；针对每个训练数据库建立一个对应的RBF神经网络模型，并使n个RBF神经网络模型并联组成混合网络；提取当前时刻过热器系统的实际测量值，对RBF神经网络模型进行在线参数辨识；每隔时间间隔t，对RBF神经网络模型的进行更新处理。本发明避免了常规过热器模型中采用固定参数的缺点，实现了模型参数的实时辨识，保证了模型参数的辨识精度。
-
-
-
-
-
-
Search Results
17
records
(took 0.089 seconds)
