-
公开(公告)号：CN113268993A
公开(公告)日：2021-08-17
申请号：CN202110599831.5
申请日：2021-05-31
Abstract: 本发明公开了一种基于互信息的属性异构信息网络无监督网络表示学习方法，根据预设的节点类型和元路径在原始属性异构信息网络中提取出多视角网络，分别对每个单视角网络训练一个编码器，训练时采用基于互信息的无监督学习方法进行，且损失函数综合考虑每个视角节点表示和全局表示的互信息，在学习得到每个视角的节点表示矩阵后，利用互信息计算出每个视角的重要性得分，根据重要性得分将每个视角的节点表示矩阵进行加权求和，得到最终的节点表示矩阵。本发明综合考虑了网络结构信息、节点属性信息、异构信息网络之间不同边的交互作用以及节点在不同视角网络中的重要性，可以有效提高节点表示的准确性。
-
公开(公告)号：CN112784118A
公开(公告)日：2021-05-11
申请号：CN202110018835.X
申请日：2021-01-07
IPC: G06F16/901 , G06F16/906 , G06N3/04 , G06Q50/00
Abstract: 本发明涉及一种对三角形结构敏感的图中的社区发现方法和装置。该方法的步骤包括：利用图自编码器中的图编码器，通过图神经网络模型融合图中的结构信息和节点内容信息，从而学习到图中节点的隐层向量表示；利用图自编码器中的图解码器，根据图中节点的隐层向量表示对图中两点之间的连边关系和图中的三角形结构进行重构；利用重构后的图中的结构信息和节点内容信息进行图聚类，从而发现社区。本发明是一种无监督的基于图自编码器的对三角形结构敏感的社区发现方案，可以在图中高效、自适应地实现社区发现任务，并应用于不同平台中，具有高可扩展性，高灵活性。
-
公开(公告)号：CN112100518A
公开(公告)日：2020-12-18
申请号：CN202010995705.7
申请日：2020-09-21
IPC: G06F16/9536 , G06Q50/00 , G06F40/216 , G06F40/289
Abstract: 本发明公开了一种考虑用户在线关系网络的舆情主题发现方法，其步骤包括：1构建用户在线关系网络，2设计有参贝叶斯模型user link topic model生成文本主题，3利用坍塌式吉布斯抽样算法进行参数推断。本发明在应对大规模社交网络时，能有效、快速、准确地发现用户关注度高的舆情主题，有助于舆情主题检测，从而为决策者提供重要信息，用于评估在过去特定时间内对于民众舆情引导效果，并有助于及时了解用户当下所关心的热点话题。
-
公开(公告)号：CN114036948B
公开(公告)日：2024-05-31
申请号：CN202111246467.0
申请日：2021-10-26
IPC: G06F40/295 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/09
Abstract: 本发明公开一种基于不确定性量化的命名实体识别方法，包括以下步骤：步骤1.收集出定位到实体位置的样本集，构建一个候选实体的检测模型；步骤2.对于样本集中的实体，采用适用于长文本记忆依赖的BILSTM和self_attention网络结构分别获取实体上下文特征和实体本身特征的表示；步骤3.采用对比损失和参数共享的思想，学习一个实体的不确定性量化模型，并给出每个实体的不确定性值；步骤4.将不确定性值转化为每个实体的dropout概率，并给定阈值，剔除掉不确定性大于阈值的样本；步骤5.通过步骤4实体的dropout概率，引入贝叶斯神经网络中蒙特卡罗dropout训练的思想训练一个新的命名实体识别模型。
-
公开(公告)号：CN114333027B
公开(公告)日：2024-05-14
申请号：CN202111671593.0
申请日：2021-12-31
IPC: G06V40/16 , G06V10/764 , G06V10/774 , G06V10/74
Abstract: 本发明公开了基于联合和交替学习框架的跨域新类人脸表情识别方法，包括：A、建立基本类表情数据集和复合类表情数据集；B、构建用于表情数据识别的情感‑相似度网络；C、对步骤B中的情感分支进行训练全部基本类表情数据的分类模型；D、对步骤B中的相似度分支进行学习表情数据可迁移的特征和度量；E、构建二阶段的联合和交替学习学习框架进行训练情感‑相似度网络，以提高模型对新类表情的泛化能力；F、在复合类表情数据集上采样N个类，使每类包含K个有标签样本作为支持集，每类Q个样本作为查询集，然后基于经训练的相似度分支对查询集进行新类表情分类准确率的计算；本方案是一种灵活且贴近实际需求的解决新类人脸表情识别问题的方案。
-
Patent Agency Ranking
公开(公告)号：CN113268993B
公开(公告)日：2024-05-14
申请号：CN202110599831.5
申请日：2021-05-31
IPC: G06F40/30 , G06N3/0464 , G06N3/088 , G06F18/23 , G06F18/241
Abstract: 本发明公开了一种基于互信息的属性异构信息网络无监督网络表示学习方法，根据预设的节点类型和元路径在原始属性异构信息网络中提取出多视角网络，分别对每个单视角网络训练一个编码器，训练时采用基于互信息的无监督学习方法进行，且损失函数综合考虑每个视角节点表示和全局表示的互信息，在学习得到每个视角的节点表示矩阵后，利用互信息计算出每个视角的重要性得分，根据重要性得分将每个视角的节点表示矩阵进行加权求和，得到最终的节点表示矩阵。本发明综合考虑了网络结构信息、节点属性信息、异构信息网络之间不同边的交互作用以及节点在不同视角网络中的重要性，可以有效提高节点表示的准确性。
-
公开(公告)号：CN117312633B
公开(公告)日：2024-05-03
申请号：CN202311465612.3
申请日：2023-11-07
Applicant: 之江实验室
IPC: G06F16/9035 , G06F16/901 , G06F15/78 , G06F9/48
Abstract: 本发明公开了一种基于带HBM的FPGA的动态极大团枚举装置及方法，包括：HBM存储外界PC主机传来的用于更新图结构的动态边流、全图邻接矩阵、以及候选团；矩阵计算单元基于动态边流更新全图邻接矩阵并发送更新的全图邻接矩阵至HBM存储，同时确定需要更新候选团的待更新头节点；排序计算单元根据更新的全图邻接矩阵和每个待更新头节点通过数据分块排序构建候选团重构的排序集；更新计算单元基于候选团重构的排序集并行执行各待更新头节点对应的候选团的更新任务，并将更新的候选团发送至HBM存储，并更新的候选团被发送至PC主机以采取过滤操作提取极大团，这样支持流水线式的增量极大团计算，提升任务的整体计算效率。
-
公开(公告)号：CN114611011B
公开(公告)日：2024-03-29
申请号：CN202210232835.4
申请日：2022-03-09
IPC: G06F16/9536 , G06F16/35 , G06F40/289 , G06Q50/00
Abstract: 本发明公开了一种考虑动态舆情主题的高影响力用户发现方法，其步骤包括：1、构建不同时期的用户在线关系网络，2、设计动态有参贝叶斯模型生成不同时期的舆情主题，3、识别不同时期的高影响力用户。本发明在应对大规模社交网络时，能有效、快速、准确地发现用户关注度高的舆情主题，有助于舆情主题检测，并能有效发现不同时期的舆情主题演变及高影响力用户，从而为决策者提供重要信息，帮助决策者在特定时间内引导民众舆情，及时了解舆情主题变化。
-
公开(公告)号：CN117334254A
公开(公告)日：2024-01-02
申请号：CN202311335418.3
申请日：2023-10-16
Applicant: 之江实验室
Abstract: 本申请涉及一种RNA相似度分析图计算方法、装置、设备和介质，其中，RNA相似度分析图计算方法包括：将被查找RNA的序列数据转换为被查找RNA结构图；对所述被查找RNA结构图与目标RNA结构图进行相似性分析，得到第一相似度；确定所述被查找RNA结构图中基础组成结构的数量，并基于所述被查找RNA结构图中基础组成结构的数量与所述目标RNA结构图中基础组成结构的数量，得到第二相似度；基于所述被查找RNA结构图中的基础组成结构，对所述被查找RNA结构图进行重构，生成被查找RNA高阶图；对所述被查找RNA高阶图与目标RNA高阶图进行相似性分析，得到第三相似度；基于第一相似度、第二相似度以及第三相似度，获得被查找RNA与目标RNA的最终相似度，提高了计算的准确性。
-
公开(公告)号：CN116386895B
公开(公告)日：2023-11-28
申请号：CN202310358447.5
申请日：2023-04-06
Applicant: 之江实验室
IPC: G06F17/00 , G16H50/80 , G16H50/70 , G06F40/295 , G06F16/35 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/084 , G06N7/01
Abstract: 本发明公开了一种基于异构图神经网络的流行病舆情实体识别方法与装置，包括：采集流行病舆情文本，并按实体类别分类标注，再输入至BERT网络，得到第一特征向量；将第一特征向量输入BiLSTM，得到包含流行病舆情文本中各个字符对应的第二特征向量，将每个字符对应的第二特征向量组成第一向量表示矩阵；构建异构图，其中，异构图中的字符节点的初始向量表示为BiLSTM输出的各个字符对应的第二特征向量，子句虚拟节点的初始向量表示为子句中每一字符对应的第二特征向量的平均值；利用异构图注意力网络算法对异构图进行聚合更新，得到第二向量表示矩阵；将第二向量表示矩阵拼接于第一(56)对比文件CN 114628008 A,2022.06.14CN 114817466 A,2022.07.29WO 2021174774 A1,2021.09.10顾凌云.基于多注意力的中文命名实体识别.信息与电脑(理论版).2019,(第09期),第41-48页.胡甜甜 等.基于注意力机制的Bi-LSTM结合CRF的新闻命名实体识别及其情感分类.计算机应用.2020,第40卷(第07期),第1879-1883页.
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.032 seconds)
