-
公开(公告)号：CN112149004B
公开(公告)日：2022-10-25
申请号：CN202011187518.2
申请日：2020-10-30
Applicant: 中国科学院计算技术研究所
IPC: G06F16/9536 , G06F16/9535 , G06F16/36 , G06F16/33
Abstract: 本发明提供一种基于知识图谱的个性化推荐方法，包括：S1、将用户集中的用户与物品集中的物品的历史交互数据和原有知识图谱结合到协同知识图谱中，在所述协同知识图谱中将用户与其交互物品在知识图谱中对应的实体使用有向边进行连接；S2、用四元数向量表示协同知识图谱中的每一个实体和关系；S3、采用注意力机制将实体的四元数嵌入沿着协同知识图谱的路径进行偏好传播与聚合；S4、基于完成偏好传播与聚合后的协同知识图谱，构建偏好分数预测函数计算每个用户与不同物品的偏好分数；S5、采用损失函数联合优化协同知识图谱的嵌入和偏好分数预测函数；S6、采用优化后的偏好分数预测函数预测用户对新物品的偏好分数，得到针对用户的新物品推荐列表。
-
公开(公告)号：CN112906781A
公开(公告)日：2021-06-04
申请号：CN202110172338.5
申请日：2021-02-08
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种针对排序系统鲁棒性的评估方法，包括：基于排序系统的排序聚合算法使用的比较数据，获取原始数据分布；通过所述原始数据分布和所述排序聚合算法的目标函数，获取篡改数据分布；利用所述篡改数据分布及所述比较数据误导所述排序聚合算法，得到篡改结果；根据所述篡改结果对所述排序系统的鲁棒性进行评估。
-
公开(公告)号：CN117453869A
公开(公告)日：2024-01-26
申请号：CN202311286681.8
申请日：2023-10-07
Applicant: 中国科学院计算技术研究所
IPC: G06F16/332 , G06F16/36 , G06F40/30 , G06N5/022 , G06N5/02 , G06N5/04 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明提出了一种知识图谱问答模型构建方法，所述知识图谱问答模型用于根据知识图谱推出问题的答案，所述方法包括：S1、构建初始知识图谱问答模型；其中，所述初始知识图谱问答模型包括：问题分解模块、嵌入模块和问答模块；S2、获取第一训练集，所述第一训练集包括多个第一训练样本和第一标签，所述多个第一训练样本为问题，所述标签为所述第一训练样本的答案真值；S3、利用所述第一训练集对所述初始知识问答模型进行训练，并在训练中利用预设的损失函数更新所述知识图谱问答模型的参数。
-
公开(公告)号：CN117151213A
公开(公告)日：2023-12-01
申请号：CN202311074989.6
申请日：2023-08-24
Applicant: 中国科学院计算技术研究所
IPC: G06N5/02 , G06F16/36 , G06Q30/0601
Abstract: 本发明提供一种知识库学习方法，所述方法包括：S1、获取已有的知识库并进行初始化以获取学习数据及其对应的初始嵌入表示，其中，所述学习数据包括多个多元组，每一个多元组均包括一个多元关系及与该多元关系对应的一个或多个角色‑实体对，且每一角色‑实体对被分配一个子关系；S2、以预设的损失函数为学习目标，按照预设的迭代方式对所述学习数据进行多轮迭代学习以得到其对应的目标嵌入表示。本发明通过学习多元组中角色和实体之间的语义信息以捕获角色和实体的兼容关系，进而探究角色和实体之间的潜在交互，并且为多元组中的每个角色‑实体对分配子关系并学习实体和子关系之间的语义信息，实现以更精细的方式挖掘知识库的潜在语义信息。
-
公开(公告)号：CN117057336A
公开(公告)日：2023-11-14
申请号：CN202311091193.1
申请日：2023-08-28
Applicant: 中国科学院计算技术研究所
IPC: G06F40/189 , G06F16/36 , G06F18/214
Abstract: 本发明实施例提供了一种知识图谱实体对齐系统构建方法，该方法：S1、构建初始知识图谱实体对齐系统，其中，所述初始知识图谱实体对齐系统包括：源编码单元、目标编码单元、融合映射单元、相似度度量单元以及对齐单元；S2、获取源知识图谱和目标知识图谱以及对应的实体对应数据池；S3、利用源知识图谱和目标知识图谱以及对应的实体对应数据池，对所述初始知识图谱实体对齐系统进行多次迭代训练，并在每次迭代训练中按照预设的多组损失函数分别更新所述源编码单元、所述目标编码单元以及所述融合映射单元的参数。通过上述方法构建的初始知识图谱实体对齐系统经训练能够得到的一个可以有效解决不同知识图谱之间的异构性问题的知识图谱实体对齐系统。
-
Patent Agency Ranking
公开(公告)号：CN118736191A
公开(公告)日：2024-10-01
申请号：CN202410738342.7
申请日：2024-06-07
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种尺寸无关的多物体显著性检测方法，其特征在于，包括：对训练样本中物体做最小外接框，得到多个物体框，将训练样本中除物体框以外的部分作为背景框；通过语义分割模型，对背景框和每个物体框内的显著区域进行独立评价，得到在每个物体框和背景框的显著区域独立检测结果；对各显著区域独立检测结果进行合并，得到显著区域合并检测结果；根据显著区域标签，在每个物体框和背景框内独立地计算损失，得到背景框和每个物体框的独立损失函数；合并所有独立损失函数，得到合并损失函数，以训练语义分割模型；将待显著物体检测的多物体图像通过数据处理步骤处理后，输入训练完成后的语义分割模型，得到其显著区域检测结果。
-
公开(公告)号：CN118212315A
公开(公告)日：2024-06-18
申请号：CN202410305781.9
申请日：2024-03-18
Applicant: 中国科学院计算技术研究所
IPC: G06T11/00
Abstract: 本发明提供了一种图像处理系统的构建方法，该方法包括：筛选出多种图像生成方法；构建初始图像处理系统，其包括：表征模块和处理模块，其中，表征模块用于基于筛选出的多种图像生成方法和预训练的扩散模型得到输入图像的多个子表征并对其进行拼接处理以得到输入图像的表征；利用输入图像、输入图像上图像任务处理的标签对初始图像处理系统进行多次迭代训练，并在每次迭代训练过程中按照预设的损失更新图像处理系统的参数。采用本发明的方法能够显著提升表征模块的表征学习能力，即使用本发明构建的表征模块用于表征学习时能够得到内容更准确的图像表征，以使下游的处理模块基于该图像表征完成图像处理任务时能够得到更加准确的处理结果。
-
公开(公告)号：CN117576496A
公开(公告)日：2024-02-20
申请号：CN202311286454.5
申请日：2023-10-07
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/776 , G06V10/82 , G06N3/084 , G06N3/094
Abstract: 本发明实施例提供了一种图像二分类模型的训练方法，图像二分类模型用于判定图像为二分类中的一类的概率，该方法包括：S1、获取原始图像训练集；S2、对所述原始图像训练集按照预设的规则添加分布扰动，得到对应的图像对抗训练集；S3、利用图像对抗训练集对所述图像二分类模型进行多次迭代训练，并在每次迭代训练时基于正样本为目标图像的概率预测值以及负样本为目标图像的概率预测值计算图像二分类模型的性能评估结果；S4、根据图像二分类模型的性能评估结果，基于目标逐样本损失函数更新图像对抗训练集以及图像二分类模型中可学习的参数。通过上述方法训练图像二分类模型，提高了AUC在分布扰动下的鲁棒性，从而提高图像二分类模型的性能。
-
公开(公告)号：CN115934960A
公开(公告)日：2023-04-07
申请号：CN202211584446.4
申请日：2022-12-09
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于最优传输的知识图谱处理方法，该方法包括如下步骤：S1、获取知识图谱中所有实体对应的多模态信息向量以及结构信息向量；S2、基于所有实体的多模态信息向量和结构信息向量计算每个实体的多模态信息与结构信息之间的最优传输矩阵；S3、以每个实体的结构信息向量所在空间为基准空间，基于其最优传输矩阵将每个实体的多模态信息进行特征对齐以形成统一的特征表示；S4、基于步骤S3得到所有的实体的统一特征表示对每一个缺失头实体或者尾实体的三元组进行预测补全，其中，以所有实体为备选实体，按照预设的规则计算每一个备选实体作为预测实体的得分，并将得分最高的预测实体作为最终的实体补入三元组。
-
公开(公告)号：CN112182245B
公开(公告)日：2022-11-29
申请号：CN202011040457.7
申请日：2020-09-28
Applicant: 中国科学院计算技术研究所
IPC: G06F16/36
Abstract: 本发明实施例提供了一种知识图谱嵌入模型的训练方法、系统和电子设备，训练方法包括：A1、用对偶四元数构建知识图谱嵌入模型的嵌入空间，通过对偶四元数将知识图谱中的关系建模为嵌入空间中的旋转和平移；A2、从预设知识图谱中的正样本中进行负采样以生成负样本；A3、对正样本和负样本进行初始化，得到包含以初始嵌入向量表示的正样本和负样本的训练集；A4、利用所述训练集对所述知识图谱嵌入模型进行迭代训练至收敛。本发明构造的新模型可以同时兼具旋转的性能和平移的性能，使得训练得到的知识图谱嵌入模型的嵌入性能得到提升，输出的实体嵌入或者关系嵌入能够更准确地表达预设知识图谱中的实体或者关系。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.03 seconds)
