-
公开(公告)号:CN106952227A
公开(公告)日:2017-07-14
申请号:CN201710138301.4
申请日:2017-03-09
Applicant: 重庆信科设计有限公司
CPC classification number: G06T3/4084 , G06T3/60
Abstract: 本发明公开了一种航拍序列图像自动排序的方法,突破了传统相位相关法对图片大小一致性的限制,提出了一种基于相位相关法改进的图像序列自动排序算法方案。该方案提出利用对数极坐标的方式来表示两幅待匹配图像的关系,建立了旋转、平移、尺度变换的排序模型,通过最大相关度确定序列头、尾图像,再利用峰值所在坐标确定平移参数,根据给定的准则判断图像左右位置关系,避免了人工干预,也能消除左右平移的混淆问题,能够准确的进行序列图像的排序。本发明克服了传统相位相关法不能完成图像间平移、旋转、缩放复杂关系的自动排序,增强了算法的适用范围,为航拍全景图像拼接奠定了一定的基础,具有很强的实用价值。
-
-
公开(公告)号:CN119357745A
公开(公告)日:2025-01-24
申请号:CN202411474779.0
申请日:2024-10-22
Applicant: 重庆邮电大学
Abstract: 本发明属于社交网络分析领域,具体涉及基于情感累积和动态图表示的早期引导型话题检测方法,包括:获取话题爆发前后产生的话题数据,包括在话题中发表评论用户的基本信息、评论信息和好友关系;根据用户历史发表评论的主题分布相似性以及用户的情感影响力,建立用户之间的关系权重矩阵;将用户的基本信息转换为一个向量表示;将话题下各用户的向量表示和用户之间的关系权重矩阵输入基于时间编码的图注意力网络,判断当前话题是否属于引导型话题。本发明能够有效识别引导型话题,对于及时控制谣言等引导型话题的进一步演化和正确引导网络舆论至关重要。
-
公开(公告)号:CN111400612B
公开(公告)日:2022-10-18
申请号:CN202010166298.9
申请日:2020-03-11
Applicant: 重庆邮电大学
IPC: G06F16/9536
Abstract: 本发明请求保护一种融合社交影响和项目关联的个性化推荐方法。首先基于用户的社交关系数据和用户评分数据计算用户的社交影响力和相似度,从而得出用户的影响力值;然后根据用户的影响力值对信任用户潜在特征向量进行指数约束,增强亲密好友的信任关系,建立用户影响力潜在信任特征向量。其次利用用户评分数据对项目间进行关联计算,获取项目间的关联值,从而构建项目关联矩阵。最后在概率矩阵分解中利用用户的影响力和项目关联信息进行联合推荐。本发明能够在保证不错的推荐准确率的同时提高推荐效率。
-
公开(公告)号:CN111400612A
公开(公告)日:2020-07-10
申请号:CN202010166298.9
申请日:2020-03-11
Applicant: 重庆邮电大学
IPC: G06F16/9536
Abstract: 本发明请求保护一种融合社交影响和项目关联的个性化推荐方法。首先基于用户的社交关系数据和用户评分数据计算用户的社交影响力和相似度,从而得出用户的影响力值;然后根据用户的影响力值对信任用户潜在特征向量进行指数约束,增强亲密好友的信任关系,建立用户影响力潜在信任特征向量。其次利用用户评分数据对项目间进行关联计算,获取项目间的关联值,从而构建项目关联矩阵。最后在概率矩阵分解中利用用户的影响力和项目关联信息进行联合推荐。本发明能够在保证不错的推荐准确率的同时提高推荐效率。
-
公开(公告)号:CN118797471A
公开(公告)日:2024-10-18
申请号:CN202410773102.0
申请日:2024-06-17
Applicant: 重庆邮电大学
IPC: G06F18/2415 , G06F18/213 , G06F18/2323 , G06F18/25 , G06F18/27 , G06N3/0442 , G06N5/04 , G06Q50/00
Abstract: 本发明属于社交网络分析领域,具体涉及一种基于动态群体特征的引导型话题检测方法,包括从话题数据中提取相关属性,相关属性包括话题传播网络、用户基础属性、用户交互度、内部驱动因素和外部驱动因素;采用基于用户交互度与用户属性相似性的Louvain隐性社群挖掘方法得到各时刻话题的用户群体集合;采用IG2vec表示学习算法进行从话题爆发阶段开始各时刻的用户特征表示;基于博弈理论得到的情感互影响力模型量化情感互影响力,通过情感互影响力对用户的情感进行修正得到话题群体的情感特征表示;通过GRU网络捕捉各时刻融合后的话题群体特征的变化,通过全连接层、Softmax函数得到预测结果;本发明能够有效识别引导型话题。
-
公开(公告)号:CN119962635A
公开(公告)日:2025-05-09
申请号:CN202510058630.2
申请日:2025-01-15
Applicant: 重庆邮电大学
IPC: G06N3/098 , G06N3/045 , G06F18/22 , G06F18/231 , G06F18/2433
Abstract: 本发明涉及联邦学习领域,特别涉及一种基于公平性增强的联邦学习方法,包括优化样本选择和资源分配以提升模型的公平性;通过Gower相似性度量和层次聚类对数据进行分层处理,确保不同层次数据的代表性;结合参数化损失权重的动态权重调整策略,实时优化数据层的敏感性,动态平衡不同数据层在训练中的贡献,完成权重分配优化;构建基于自编码器的加权聚合模型,利用自编码器对数据进行异常检测,结合公平性指标优化全局模型的更新;本发明能够有效减少本地模型偏差,并在异构数据环境下显著提升联邦学习的公平性和模型精度。
-
公开(公告)号:CN118643333A
公开(公告)日:2024-09-13
申请号:CN202410784554.9
申请日:2024-06-18
Applicant: 重庆邮电大学
IPC: G06F18/214 , G06F18/27 , G06N3/0464 , G06N3/096 , G06F16/9536 , G06Q50/00
Abstract: 本发明涉及社交网络领域,特别涉及一种基于话题认同度的引导型话题传播预测方法,包括基于迁移学习方法从原始话题数据中提取与衍生话题数据匹配的通用特征数据,将通用特征数据与衍生话题数据构成丰富衍生话题数据;采用生成对抗网络迭代学习丰富衍生话题数据生成新衍生话题数据;对新衍生话题数据进行时间切片;针对每一时段的新衍生话题数据提取特征向量,所有特征向量组成训练集;构建图卷积网络,采用训练集训练图卷积网络;获取当前时段t的衍生话题数据并输入图卷积网络,输出下一时段t+1衍生话题传播趋势;本发明基于用户的兴趣偏好计算话题领域共现度,更准确地表现用户对话题的态度和认同程度,提高预测准确性。
-
-
-
-
-
-
-