-
公开(公告)号：CN113919944A
公开(公告)日：2022-01-11
申请号：CN202111043921.2
申请日：2021-09-07
Applicant: 暨南大学
Abstract: 本发明涉及深度强化学习和金融量化交易领域，为基于强化学习算法与时间序列模型的股票交易方法及系统，其方法包括步骤：数据预处理，对收集的股票数据按类别进行整理，过滤错误数据、重复数据，数据归一化，预处理完成后得到得到股票数据集；建立时间序列模型预测股票价格，对股票基础价格数据集进行划分，建立并训练可用于股票基础价格数据的时间序列GRU模型，输出股票预测价格；股票交易强化学习模型输出决策，应用PPO算法训练智能体得到应用于股票交易的强化学习模型以输出股票交易的行动决策。本发明可以充分挖掘潜藏于股票基础数据中的信息，在股票交易环境中作出合理交易决策，为现实股票交易相关人员提供参考。
-
Patent Agency Ranking
公开(公告)号：CN115357720B
公开(公告)日：2023-05-26
申请号：CN202211283553.3
申请日：2022-10-20
Applicant: 暨南大学
IPC: G06F16/35 , G06N3/0499 , G06F16/31 , G06F40/30
Abstract: 本发明实施例涉及文本分类技术领域，公开了一种基于BERT的多任务新闻分类方法，包括：获取新闻的原始文本数据；将所述原始文本数据进行数据清洗；将所述待分类文本信息输入编码层，得到所述原始文本数据的特征向量；将所述特征向量输入注意力层；将所述特征向量与超参数作点乘，得到注意力层输出结果；将所述注意力层输出结果输入前馈神经网络层进行归一化处理，得到各类新闻文本的独有特征向量；将所述独有特征向量进行联合学习，得到各类新闻任务的联合损失函数结果；根据联合损失函数结果输出新闻分类结果。本发明通过BERT模型对新闻文本数据进行处理，采用多任务新闻分类任务进行联合训练，提高新闻分类的准确度和适用性。
-
公开(公告)号：CN115759119A
公开(公告)日：2023-03-07
申请号：CN202310030728.8
申请日：2023-01-10
Applicant: 暨南大学
IPC: G06F40/30 , G06F40/242 , G06F40/284 , G06F16/35 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/091
Abstract: 本发明公开了一种金融文本情感分析方法、系统、介质和设备，该方法包括下述步骤：分析每个金融文本表达的情感并进行标注；对待测金融文本进行数据预处理，得到金融文本序列；根据金融词典进行分词、编码，编码后输入BERT模型训练；多头注意力层以编码后的词向量作为输入，为每个词向量提供不同语义的词向量，前馈层将含有序列信息的词向量进行线性处理，得到整合信息后的词向量；多头注意力层和前馈层后各执行残差连接和归一化处理，完成各词向量对序列信息的整合；整合信息后的各个词向量经过全连接层、softmax计算，选择概率最大的情感作为文本情感分类的结果。本发明能更好地利用到完整语义信息，极大提高了文本情感分析的准确度。
-
公开(公告)号：CN115357720A
公开(公告)日：2022-11-18
申请号：CN202211283553.3
申请日：2022-10-20
Applicant: 暨南大学
Abstract: 本发明实施例涉及文本分类技术领域，公开了一种基于BERT的多任务新闻分类方法，包括：获取新闻的原始文本数据；将所述原始文本数据进行数据清洗；将所述待分类文本信息输入编码层，得到所述原始文本数据的特征向量；将所述特征向量输入注意力层；将所述特征向量与超参数作点乘，得到注意力层输出结果；将所述注意力层输出结果输入前馈神经网络层进行归一化处理，得到各类新闻文本的独有特征向量；将所述独有特征向量进行联合学习，得到各类新闻任务的联合损失函数结果；根据联合损失函数结果输出新闻分类结果。本发明通过BERT模型对新闻文本数据进行处理，采用多任务新闻分类任务进行联合训练，提高新闻分类的准确度和适用性。
-
公开(公告)号：CN113918952A
公开(公告)日：2022-01-11
申请号：CN202111009625.0
申请日：2021-08-31
Applicant: 暨南大学
Abstract: 本发明公开了C或C++代码漏洞检测方法、系统、计算机及存储介质，方法包括：S1、将包括训练集和待检集的C或C++代码集合进行预处理，使得该C或C++代码集合转化为符号表示；S2、训练集的每一部分代码的符号表示根据代码自身属性打上标签，若代码存在漏洞，则标签置为1，否则置为0；S3、通过打上标签的训练集训练漏洞检测模型；S4、将已转化为符号表示的C或C++代码集合中的待检集作为输入，通过已完成训练的漏洞检测模型进行检测，并输出漏洞检测结果。本发明采用深度学习和自然语言处理结合的方式进行源代码漏洞检测，相比传统的静态分析方法，不需要人工专家手工定义匹配规则，显著降低漏洞误报率和漏报率。
-
公开(公告)号：CN113742482A
公开(公告)日：2021-12-03
申请号：CN202110813433.9
申请日：2021-07-19
Applicant: 暨南大学
Abstract: 本发明公开了基于多重词特征融合的情感分类方法、介质，包括：对训练样本集中各文本数据进行文本预处理，得到文本数据转换到的字向量、文本向量、位置向量和词性向量；建立基于Transformer模型的Encoder网络，在Encoder网络的编码层加入词性向量层；将训练样本集中各文本数据对应字向量、文本向量、位置向量和词性向量输入到Transformer模型的Encoder网络中；进行预训练任务，得到情感分类模型；基于情感分类模型对需要进行分类的文本数据进行分类。本发明利用Transformer健壮的网络结构使得信息能够得到充分的利用，在模型编码层创新性的加入词性层，在情感分析领域，得到了很好的效果。
-
-
-
-
-
Search Results
16
records
(took 0.023 seconds)
