-
公开(公告)号：CN100507901C
公开(公告)日：2009-07-01
申请号：CN200610113308.2
申请日：2006-09-22
Applicant: 北京北大方正电子有限公司 , 北京大学
Abstract: 本发明涉及一种网络文集制作成书籍的方法，属于印刷前计算机排版领域。随着网络的发展，更多的人通过论坛、博客等多种网络平台发布文章形成网络文集，将这些网络文集制作成书籍成为很多人的愿望。现有技术中，书籍的排版制作通常是通过专业的排版软件实现的，需要专业技能的排版人员来完成，制作成本高。本发明所述的方法在服务器端的排版系统中加装自动排版核心模块和样式模版库，用户通过客户端输入文集内容并指定样式模版，然后由服务器端进行文件合并，并通过自动排版核心模块生成最终的排版文件，并反馈给客户端，完成网络文集制作成书籍的过程。采用本发明所述的方法，不必掌握专业排版技术，即可轻松实现将网络文集制作成书籍。
-
公开(公告)号：CN1949209A
公开(公告)日：2007-04-18
申请号：CN200610113308.2
申请日：2006-09-22
Applicant: 北京北大方正电子有限公司 , 北京大学
Abstract: 本发明涉及一种网络文集制作成书籍的方法，属于印刷前计算机排版领域。随着网络的发展，更多的人通过论坛、博客等多种网络平台发布文章形成网络文集，将这些网络文集制作成书籍成为很多人的愿望。现有技术中，书籍的排版制作通常是通过专业的排版软件实现的，需要专业技能的排版人员来完成，制作成本高。本发明所述的方法在服务器端的排版系统中加装自动排版核心模块和样式模版库，用户通过客户端输入文集内容并指定样式模版，然后由服务器端进行文件合并，并通过自动排版核心模块生成最终的排版文件，并反馈给客户端，完成网络文集制作成书籍的过程。采用本发明所述的方法，不必掌握专业排版技术，即可轻松实现将网络文集制作成书籍。
-
公开(公告)号：CN111967271B
公开(公告)日：2025-04-25
申请号：CN202010839225.1
申请日：2020-08-19
Applicant: 北京大学 , 腾讯科技(深圳)有限公司
IPC: G06F40/30 , G06F40/205 , G06N20/00
Abstract: 本申请公开了一种分析结果的生成方法、装置、设备及可读存储介质，涉及机器学习领域。该方法包括：获取目标异质图的异质图结构，异质图结构中包括节点数据和边数据；确定节点数据对应的初始节点特征，以及边数据对应的语义方面；以异质图结构为随机变量，语义方面为隐变量，对初始节点特征进行嵌入，得到目标异质图的异质图特征，异质图特征中包括更新语义特征和更新节点特征。以语义方面为隐变量，从而对异质图进行嵌入处理，从异质图中获取隐含的语义，从而对节点特征向量和语义特征向量进行更新，避免通过设置元路径的方式更新节点特征，提高了节点特征的更新效率，在下游分析结果的生成中的执行准确度更高。
-
公开(公告)号：CN117874334A
公开(公告)日：2024-04-12
申请号：CN202311767601.0
申请日：2023-12-21
Applicant: 北京大学
IPC: G06F16/9535 , G06F16/36 , G06F40/295 , G06F18/213 , G06F18/214 , G06F18/22 , G06F18/25 , G06N3/042 , G06N3/045 , G06N3/08
Abstract: 本发明公布了一种基于多级用户兴趣的个性化新闻推荐模型方法，包括：对用户与新闻基本信息进行提取与编码，得到用户历史点击新闻的特征表示和候选新闻的特征表示；新闻级别建模，对长期与潜在用户兴趣进行挖掘和编码；设计实体级别建模模块，对细粒度用户兴趣进行提取与编码；将两个级别的兴趣融合成一个兴趣向量，并通过跟用户的候选新闻进行匹配，根据训练数据样本训练即可得到个性化新闻推荐模型。本发明方法能更为准确地提取用户的长期的和细粒度的兴趣，从而有效地提升个性化新闻推荐的准确率。
-
公开(公告)号：CN116663603A
公开(公告)日：2023-08-29
申请号：CN202310558961.3
申请日：2023-05-17
Applicant: 北京大学
IPC: G06N3/042 , G06N3/045 , G06N3/0442 , G06N3/096
Abstract: 本发明属于深度学习技术领域，具体公开一种基于参数分离和知识蒸馏的图持续学习方法，该方法的输入是一张原图，由节点和边构成，Trans‑CGL首先为图中每个节点构造一个子图，然后通过Graph transformer并行地提取节点特征，此时应用参数分离和知识蒸馏来防止旧任务的特征遗忘，在经过L层Graph transformer之后，最终输出结果。Trans‑CGL由四个主要部分组成：构造子图(Construct subgraph)、参数分离(Parameter isolation)、知识蒸馏(Knowledge distillation)和模型输出(Output)。本发明主要是解决基于参数分离和知识蒸馏的图持续学习(CGL)存在的拓扑引起的灾难性遗忘问题，主要就是节点特征遗忘和拓扑特征遗忘。
-
Patent Agency Ranking
公开(公告)号：CN113066526B
公开(公告)日：2022-08-05
申请号：CN202110377912.0
申请日：2021-04-08
Applicant: 北京大学
Abstract: 本发明公开了一种基于超图的药物‑靶标‑疾病相互作用预测方法。本方法为：1)根据药物、靶标、疾病两两之间的二元关系R，建立语义超图G；根据药物分子指纹、靶标序列、疾病表型建立药物节点、靶标节点、疾病节点的特征相似图；2)在语义超图G上应用超图神经网络得到药物、靶标、疾病对应的节点表示；分别在药物、靶标、疾病的特征相似度图上应用图卷积网络得到药物、靶标、疾病对应的节点表示；3)将步骤2)得到的节点表示进行融合；4)利用步骤3)所得每个超边对应的融合后的节点表示训练预测模型；5)生成待预测药物a、疾病c的节点表示并将其输入到训练后的预测模型进行预测，得到药物a通过靶标b治疗疾病c的预测概率。
-
公开(公告)号：CN113313147A
公开(公告)日：2021-08-27
申请号：CN202110516741.5
申请日：2021-05-12
Applicant: 北京大学
Abstract: 本发明公布了一种基于深度语义对齐网络模型的图像匹配方法，通过建立对象位置感知的语义对齐网络模型OLASA，逐步估计两个语义相似图像之间的对齐；采用三重采样策略训练网络模型OLASA，通过潜在对象协同定位POCL、仿射变换回归ATR、双向薄板样条回归TTPS三个子网络Ntran，Naffi和Nttps，分别估计平移、仿射变换和样条变换；再通过分层建立和优化图像之间的对齐关系，得到图像匹配结果。利用本发明提供的技术方案，可提高位置差异较大的图像对齐效果，提高图像匹配的准确度。本发明可应用于计算机视觉领域的目标跟踪、语义分割和多视点三维重建等应用中。
-
公开(公告)号：CN112820361A
公开(公告)日：2021-05-18
申请号：CN201911122108.7
申请日：2019-11-15
Applicant: 北京大学
Abstract: 本发明公布了一种基于对抗模仿学习的药物分子生成方法，基于对抗模仿学习与多任务强化学习生成药物分子，包括：构建有效药物分子库；建立改进的药物分子生成模型，包括：设计并实现多任务强化学习模块、设计并实现对抗模仿学习模块；模型预训练；执行药物分子生成流程；生成候选药物分子结果。采用本发明提供的技术方案，可有效促进药物分子生化性质的优化并提升模型训练的稳定性，得到更优的药物分子。
-
公开(公告)号：CN112686277A
公开(公告)日：2021-04-20
申请号：CN201910995424.9
申请日：2019-10-18
Applicant: 北京大学
Abstract: 本申请公开了模型训练的方法和装置，属于机器学习技术领域。模型训练的方法包括：获取训练对象数据集、验证对象数据集和各对象的类别关联信息；对训练对象的图像进行特征提取，得到训练对象的视觉特征；基于训练对象的视觉特征、训练对象的类别描述信息和验证对象的类别描述信息，生成验证对象的视觉特征；基于各对象的类别关联信息、验证对象和训练对象的视觉特征，对验证对象和训练对象的视觉特征进行更新；基于各对象的类别关联信息、更新后的验证对象的视觉特征、训练对象的视觉特征和训练对象的视觉特征的标签进行模型训练。采用本申请，使用的验证对象的视觉特征更加适用于模型的训练，使得训练完后的模型在进行实际工作时的效果较好。
-
公开(公告)号：CN110970099A
公开(公告)日：2020-04-07
申请号：CN201911255006.2
申请日：2019-12-10
Applicant: 北京大学
Abstract: 本发明公布了一种基于正则化变分自动编码器的药物分子生成方法，将药物分子表示为图数据,利用变分自动编码器框架，建立包括编码器和解码器的药物分子生成模型；编码器利用图神经网络直接对输入的药物分子图进行编码；解码器采用多层感知机，优化目标包括重建损失、KL损失及性质正则化损失，其中性质正则化损失利用蒙特卡洛采样进行估计。采用本发明技术生成的候选药物分子有效性更高，分子的性质更优异。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.024 seconds)
