-
公开(公告)号：CN115438192A
公开(公告)日：2022-12-06
申请号：CN202211125241.X
申请日：2022-09-15
Applicant: 吉林大学
Abstract: 本发明公开了—种基于元学习的小样本知识图谱补全方法，该基于元学习的小样本知识图谱补全方法，包含邻域关系元编码器和匹配处理器两部分组件，邻域关系元编码器将语义相似度从实体级转移到关系级，用实体间的语义相似度和邻域内的信息交互描述邻域关系对长尾关系间的作用，将获取到的关系嵌入转移至查询集中，更新关系元后，计算查询集对应的新三元组的合理性得分，解决了小样本知识图谱的补全任务，对于知识图谱中一个缺失尾实体的不完全三元组，将其中的头实体称为目标头实体，关系称为任务关系，给定任务关系对应的K个头尾实体对构成的称为参考集的集合，可以实现对缺失尾实体的预测任务。
-
公开(公告)号：CN115114405A
公开(公告)日：2022-09-27
申请号：CN202210796167.8
申请日：2022-07-06
Applicant: 吉林大学
IPC: G06F16/33 , G06F16/335 , G06F16/36 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的知识感知推荐系统，属于推荐系统技术领域，解决了现有方法存在未能充分利用实体的邻域信息的问题，其技术要点是：包括物品编码器模块，所述物品编码器模块连接用户编码器模块，所述物品编码器模块工作步骤如下：步骤一、将知识图谱中实体的邻域视为层次结构，并据此设计分层注意力网络；步骤二、利用分层注意力对中心实体的邻域进行加权，进一步形成邻域表示；步骤三、将邻域表示聚合到中心实体以得到最终的实体表示；以及所述用户编码器模块通过多头自注意机制来学习物品之间的相关性，从而捕获其上下文特征，具有实现对邻居信息的充分利用的优点。
-
公开(公告)号：CN108764533B
公开(公告)日：2021-12-14
申请号：CN201810422418.X
申请日：2018-05-05
Applicant: 吉林大学
Abstract: 本发明公开了基于虹膜识别的预测迟到概率的学校考勤系统，包括：手机App端、广告机端和后台服务器管理维护中心；手机App端负责与用户的交互功能；广告机端负责教师与学生的签到，值班老师、接送家长的身份认证，等功能；后台服务器管理维护中心用于进行各个校园业务的后台维护工作，包括数据库维护功能和自动生成签到信息表功能；应用服务器负责整个系统的数据通讯，协调虹膜数据库与虹膜身份服务器之间的联系。本发明提供了一种基于虹膜识别的预测迟到概率的学校考勤系统及方法，保障学生安全，方便学校管理的服务，同时运用神经网络对学生的迟到概率进行预测，并给与提醒，起到减少学生迟到的作用。
-
公开(公告)号：CN113204970A
公开(公告)日：2021-08-03
申请号：CN202110631994.7
申请日：2021-06-07
Applicant: 吉林大学
IPC: G06F40/295 , G06F40/30 , G06F40/58 , G06F16/35 , G06F16/383 , G06N3/04 , G06N3/08
Abstract: 本发明公开的属于命名实体识别技术领域，具体为一种BERT‑BiLSTM‑CRF命名实体检测模型，其包括：IDCNN‑CRF命名实体识别模型和BERT‑BiLSTM‑CRF命名实体识别模型，IDCNN‑CRF命名实体识别模型架构如下：Embdding层为词向量层，用于将输入数据处理成词向量再送入模型，采用分布式向量表示Word2Vec；IDCNN层，用于将embedding层处理好的字向量或者词向量送入到IDCNN层，经过膨胀卷积神经网络的膨胀卷积操作，对输入的字向量重新计算，得到新的向量表示。该BERT‑BiLSTM‑CRF命名实体检测模型及装置，以BiLSTM‑CRF模型为基准，使用北京大学标注好的《人民日报》数据集和微软亚研院MSRA命名实体识别数据集，构建了IDCNN‑CRF模型以及BERT‑BiLSTM‑CRF模型，提高了命名实体识别的准确度以及运行效率，缩短了模型训练时间。
-
公开(公告)号：CN111596928A
公开(公告)日：2020-08-28
申请号：CN202010424979.0
申请日：2020-05-19
Applicant: 吉林大学
IPC: G06F8/60
Abstract: 本发明提供了一种应用控制方法、装置及电子设备，该方法中，预先为应用控制服务器配置了至少一个应用部署指令，应用控制服务器在接收到用户输入的应用程序部署请求之后，响应该应用程序部署请求，并在成功获取到目标镜像标识以及程序部署控制信息的情况下，调用应用程序创建指令，并运行，以创建得到应用程序，此后，设置应用程序的访问接口，以为用户提供服务。通过本发明，在上一步骤成功执行后，就会自动触发下一步骤的执行，即本发明在接收到用户输入的应用程序部署请求之后，能够实现应用程序的自动部署，不再需要多次接收用户输入的应用部署指令并执行，省去了后台多次接收并响应指令的操作，人机交互操作简单，并且减轻了后台处理负担。
-
Patent Agency Ranking
公开(公告)号：CN111459815A
公开(公告)日：2020-07-28
申请号：CN202010236464.8
申请日：2020-03-30
Applicant: 吉林大学
IPC: G06F11/36
Abstract: 本发明公开了一种实时计算引擎测试方法和系统，该方法包括：选择测试方向；所述测试方向包括：性能测试、功能测试和稳定性测试三个大方向；在对应测试方向下添加测试用例；所述测试用例包括：名称和所属场景；确定所述测试用例是否需要参数，若需要参数，则获取输入的参数；否则继续执行；调用实时计算引擎，对所述测试用例所涉及的测试内容进行实现；计算并获取测试用例请求的结果数据；所述结果数据为测试结果；显示所述测试结果。该方法，通过模拟负载，通过不同压力类别测试实时计算引擎的强度和分析整体性能，能够有效提高测试的效率。
-
公开(公告)号：CN111444102A
公开(公告)日：2020-07-24
申请号：CN202010236361.1
申请日：2020-03-30
Applicant: 吉林大学
Abstract: 本发明公开了一种离线计算引擎的测试方法和系统，该方法包括：选择测试方向；所述测试方向包括：性能测试、功能测试和稳定性测试三个大方向；在对应测试方向下添加测试用例；所述测试用例包括：名称和所属场景；确定所述测试用例是否需要参数，若需要参数，则获取输入的参数；否则继续执行；调用离线计算引擎，对所述测试用例所涉及的测试内容进行实现；计算并获取测试用例请求的结果数据；所述结果数据为测试结果；显示所述测试结果。该方法具有评价特定查询的决策支持能力；可以应用到多领域场景，对离线计算引擎在性能、功能和稳定性三个大方向进行设计并实现测试用例；涵盖功能完整性、可靠性和安全性的测试用例库，能够有效提高测试的效率。
-
公开(公告)号：CN109388665A
公开(公告)日：2019-02-26
申请号：CN201811155138.3
申请日：2018-09-30
Applicant: 吉林大学
IPC: G06F16/2458 , G06F16/951 , G06F16/955
Abstract: 本发明提供了一种作者关系在线挖掘方法及系统，该作者关系在线挖掘方法根据爬行队列中的URL获取目标页面并将所述目标页面解析为文档对象模型；根据内容分割策略将所述文档对象模型划分为多个内容块；分别从每个所述内容块中提取作者信息，并在完成爬取操作后根据提取到的作者信息，对内容块进行增量层次化聚类，得到聚簇；对各个所述聚簇中的作者信息进行关联规则挖掘，实现了在线从网页中挖掘作者之间关系的目的。
-
公开(公告)号：CN115033667B
公开(公告)日：2025-04-25
申请号：CN202210796028.5
申请日：2022-07-06
Applicant: 吉林大学
IPC: G06F16/334 , G06F16/35 , G06F40/295 , G06F40/216 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种同步追踪实体与关系的方面‑观点对抽取方法及系统，属于情感分析技术领域，所述一种同步追踪实体与关系的方面‑观点对抽取方法包括以下步骤：获得评论句，并采用预训练好的BERT模型对输入的评论句进行初始词向量编码；进一步学习评论句中所有实体的表示，并计算任意两个实体间的关联度，获得进一步编码后的实体表示序列以及关联度矩阵；根据实体表示对实体进行角色识别；根据关联度矩阵判断实体间是否存在关系；根据角色识别和关系识别的结果，抽取出方面‑观点对，具有多次充分交互、相互依赖、实体针对可扩展性和适用性强的优点。
-
公开(公告)号：CN118012776A
公开(公告)日：2024-05-10
申请号：CN202410270422.4
申请日：2024-03-11
Applicant: 吉林大学
IPC: G06F11/36 , G06F40/289 , G06N3/0442 , G06N3/08
Abstract: 本发明适用于软件缺陷预测技术领域，提供了基于生成对抗和预训练模型的软件缺陷预测方法和系统，本发明结合了预训练模型强大的语法语义和上下文结构理解能力、LSTM的生成及判别能力以及生成对抗的数据增强作用，用于软件缺陷预测任务。该系统可以使用在大规模代码语料库上进行预训练的模型进行特征提取，能够有效地对代码样本的语法语义结构和上下文信息进行理解和信息提取；同时使用LSTM模型生成对抗样本，对训练数据进行增强，同时使用LSTM模型作为判别器，对输入的特征表示进行分析，输出对缺陷的预测，以缓解数据缺乏对模型的预测能力产生的负面影响。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.025 seconds)
