公开(公告)号：CN106506229B

公开(公告)日：2019-04-23

申请号：CN201611077438.5

申请日：2016-11-30

Applicant: 东北大学

Inventor： 张斌 ,  郭军 ,  闫永明 ,  孟煜 ,  马安香 ,  印莹 ,  莫玉岩 ,  武静

IPC: H04L12/24 ,  H04L12/26 ,  H04L29/08 ,  G06F9/50

Abstract: 本发明提供一种SBS云应用自适应资源优化调整系统及方法，该系统包括：规则生成单元；监测单元；触发单元；动态决策单元；方案执行单元。该方法包括：生成自适应资源优化调整规则；在线实时获取SBS云应用的运行状态信息和云环境的运行状态信息；对SBS云应用进行自适应资源优化调整规则在线触发判断，确定触发的自适应资源优化调整规则；生成一组自适应资源优化调整动作，决策出自适应资源优化调整方案，进行SBS云应用自适应资源优化调整。本发明根据SBS云应用提供者与云环境提供者所签订的SLA，调整SBS云应用所占用的资源，实现了在保障SBS云应用性能的同时最小化资源调整的成本。

公开(公告)号：CN108170862A

公开(公告)日：2018-06-15

申请号：CN201810075845.5

申请日：2018-01-26

Applicant: 东北大学

Inventor： 赵宇海 ,  印莹 ,  杜焱 ,  黄海 ,  王国仁

IPC: G06F17/30 ,  G06N3/00

Abstract: 本发明公开了一种面向大规模图数据集的统计显著子图挖掘方法及装置，该方法包括：对图数据集G进行挖掘，在族错误率阈值α下校正所述统计显著性阈值，基于改进的置换检验算法westfall‑younglight获得校正后的显著性阈值δ*，以及达到显著性阈值δ*时挖掘的子图所需满足的最小支持度阈值σ；利用蚁群优化算法，在图数据集G中挖掘所述统计显著性阈值p小于等于显著性阈值δ*的所有子图；挖掘的所有子图的支持度收敛到所述最小支持度阈值σ。上述方法在挖掘显著子图的过程中能够有效减少重复的计算量。

公开(公告)号：CN120031110A

公开(公告)日：2025-05-23

申请号：CN202510123237.7

申请日：2025-01-26

Applicant: 东北大学

Inventor： 丁雨薇 ,  张逸洁 ,  杨佳明 ,  印莹

IPC: G06N5/01 ,  G06N3/006 ,  G06N3/0455 ,  G06Q50/00

Abstract: 本发明提供一种面向神经进化的社区搜索方法，涉及图数据挖掘技术领域。该方法设计了一种新的面向神经进化的算法进行无监督社区搜索，提出了多目标粒子群结合变分自编码器优化的算法。该算法使用有效的节点编码方式，通过基于标签传播的多目标粒子群算法使得社区在进化过程中保持连通性，最终在得到的全局最优解中根据社区得分得到最优社区结果。该方法不需要提前对数据进行标记，可以在无监督的情况下进行社区搜索，同时没有超参数，不需要专业知识进行算法调整，易于使用。同时算法结合变分自编码器优化，降低了粒子群算法在演化过程的随机性，加快演化速度，避免局部最优。

公开(公告)号：CN118116457A

公开(公告)日：2024-05-31

申请号：CN202410052880.0

申请日：2024-01-15

Applicant: 东北大学

Inventor： 印莹 ,  刘祉彤 ,  高晓彤 ,  徐久强 ,  赵宇海

IPC: G16B20/20 ,  G16B40/00 ,  G16B50/30 ,  G06N3/006

Abstract: 本发明设计一种基于分布式多任务烟花算法的SNP相互作用检测方法，属于计算机技术领域；首先划分SNP交互作用检测任务，并对划分的每个任务采用基于分解的多目标烟花算法独立进化；然后判断迭代次数是否达到l代，若是则触发任务间的知识迁移策略：比较当前开发子种群的最优个体和探索子种群的最优个体，将其中更优的个体进行保存并与其他任务进行信息交换；最后设置迭代次数，判断是否达到最大迭代次数，若是则收集各个任务返回的非支配解到集合中，返回集合为最终结果，即最终得到不同阶数的致病SNP组合的集合；本发明能够改善现有SNP交互作用识别方法搜索速度慢、效率低等问题，旨在保证识别精度的同时尽可能的提高搜索效率。

公开(公告)号：CN117909599A

公开(公告)日：2024-04-19

申请号：CN202410110228.X

申请日：2024-01-26

Applicant: 东北大学

Inventor： 赵宇海 ,  袁忠飞 ,  印莹

IPC: G06F16/9536 ,  G06F16/9535 ,  G06F18/22 ,  G06F18/25 ,  G06F18/20 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明提供一种基于超图协同过滤的多模态推荐方法，涉及用户推荐技术领域。该方法首先根据用户的历史数据，确定用户的数量和物品的数量，完成物品模态特征提取；再构造用户‑物品交互矩阵和物品之间的模态交互矩阵；并在交互矩阵和模态交互矩阵上分别计算出物品、用户以及物品各模态的k阶可达邻居得到对应的超图传播矩阵；然后初始化用户和物品的特征向量；构造基于超图卷积网络的多模态协同过滤模型，优化用户和物品特征向量；最后最小化损失函数，更新用户和物品的特征向量，直至满足迭代结束条件。该方法通过融合不同模态的信息，可以提高推荐系统的准确性和个性化水平，同时增加系统对复杂关系的理解能力。

公开(公告)号：CN116431918A

公开(公告)日：2023-07-14

申请号：CN202310408765.8

申请日：2023-04-17

Applicant: 东北大学

Inventor： 赵宇海 ,  李紫宏 ,  王同庆 ,  卢晶 ,  印莹

IPC: G06F16/9535

Abstract: 本发明提供一种基于微簇的skyline查询方法，涉及空间查询技术领域。该方法首先获取所有的查询对象和用户对象，并构建所有查询对象和用户对象的特征向量；然后使用z‑value索引把查询对象的特征向量转换到一维空间中，获得一组关于查询对象的z值表示，进而得到z值有序的查询对象集；并根据z值的特性，对查询对象集中的查询对象进行删减，获得一个新的查询对象集；最后针对新的查询对象集中的查询对象构建最近覆盖圆，找到最近覆盖圆对应的微簇，进行skyline筛选，由此获得skyline微簇集作为最终的结果微簇集推荐给用户。该方法以微簇的方式返回一组在密度和距离维度上满足用户查询要求的帕累托最优解。

公开(公告)号：CN115268869A

公开(公告)日：2022-11-01

申请号：CN202210885120.9

申请日：2022-07-26

Applicant: 东北大学

Inventor： 印莹 ,  李晶莹 ,  时宇岑 ,  赵宇海

IPC: G06F8/30 ,  G06F40/284 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于图序列化的代码搜索系统及方法，涉及代码搜索技术领域。本发明系统及装置通过图序列转换器G2SC学习代码片段的控制依赖关系和数据依赖关系，获得富含代码片段图结构信息的程序依赖图序列，并且比图神经网络更适用于节点少的代码图结构；在特征提取过程中使用注意力机制将方法名特征向量、Token特征向量、以及G2SC提取的程序依赖图特征向量进行融合，使得代码的语义和结构信息能够充分表达，特征提取更完整，有效提升代码搜索的准确率；使用G2SC、双向长短时记忆网络将代码片段的程序依赖图的信息映射到较低维度的特征空间中，可节省深度学习中所消耗的大量算力。

公开(公告)号：CN112765469A

公开(公告)日：2021-05-07

申请号：CN202110096836.6

申请日：2021-01-25

Applicant: 东北大学

Inventor： 赵宇海 ,  汪嗣尧 ,  王若飞 ,  马生俊 ,  印莹

IPC: G06F16/9535 ,  G06F16/957 ,  G06F16/901

Abstract: 本发明提供一种从Web点击流数据中挖掘代表序列模式的方法，涉及序列模式挖掘技术领域。该方法首先输入Web点击流序列数据集、最小支持度和最大覆盖度，并遍历一次数据集保留不小于最小支持度的所有频繁站点作为序列生成种子；对每一个序列生成种子采用缝隙扩展枚举树，结合缝隙扫描剪枝策略和闭合检查得到该种子的所有频繁闭合超序列；进一步采用局部代表序列筛选技术选出该种子的所有代表序列；遍历所有序列生成种子，输出每个种子的代表序列，得到Web点击流数据的所有代表序列模式。优点是：代表序列模式能有效解决频繁序列模式数量庞大而可用性低的矛盾，能增强结果的可用性；为Web点击流的在线用户行为分析、信息推荐、引擎优化等应用提供参考。

公开(公告)号：CN105868422B

公开(公告)日：2019-07-23

申请号：CN201610445356.5

申请日：2016-06-21

Applicant: 东北大学

Inventor： 印莹 ,  赵宇海 ,  郭颂 ,  张斌

IPC: G06F16/9535

Abstract: 本发明提出一种基于弹性维特征向量优化抽取的协同过滤推荐方法，属于互联网信息推荐技术领域，本发明使用用户特征向量和推荐对象特征向量构建推荐方法，利用用户辅助向量和推荐对象辅助向量分别弹性的获取每个用户特征向量和每个推荐对象特征向量中用户真正感兴趣和推荐对象真正隶属的维度；本发明不需要专业知识和个体信息，安全简单；采用最小均方根误差作为优化约束条件，在实现过程中只需针对评分矩阵中已有的部分进行约束，仍能给出正确的拟合评分，避免了数据稀疏和由于缺乏历史数据的冷启动问题；该方法能获取每个用户特征向量和每个推荐对象特征向量中真正起作用的维度，并自适应地调整搜索方向，使推荐方法避免过拟合，优化推荐结果。

公开(公告)号：CN109447138A

公开(公告)日：2019-03-08

申请号：CN201811207644.2

申请日：2018-10-17

Applicant: 东北大学

Inventor： 赵宇海 ,  印莹 ,  刘陆洋 ,  王国仁

IPC: G06K9/62 ,  G06F16/2458

Abstract: 本发明公开了一种基于直接区分序列挖掘的不确定数据分类方法，对不确定数据集UTD，首先初始化类标签，给出类标签集；在类标签集下，基于给定的信息增益阈值导出最小支持度阈值：采用模式增长策略进行子序列枚举，生成模式候选x，挖掘其中的区分序列，并采用削减策略，生成最终的区分序列结果集Rs；再对区分序列结果集Rs检查，利用闭序列检测算法判断Rs中的每个候选区分序列是否为概率频繁闭序列；若是概率频繁闭序列，则将满足条件的区分序列加入结果集RsTmp；最后结合基于规则的分类方法或支持向量机已有的成熟数据分类方法，完成数据分类。本发明作为不确定数据集上区分模式挖掘补充，显著提高效率，结果集更加简洁。