公开(公告)号：CN109840283A

公开(公告)日：2019-06-04

申请号：CN201910154252.2

申请日：2019-03-01

Applicant: 东北大学

Inventor： 王大玲 ,  刘泓辰 ,  冯时 ,  张一飞

IPC: G06F16/36

Abstract: 本发明提出一种基于传递关系的本地自适应知识图谱优化方法，包括：设定训练样本集；设定任意ri和ei初始属于某一分布；归一化；组成新的训练样本集；初始化三元组集合为空集；设定正确的三元组，其对应错误的三元组，用错误的三元组头实体或者尾实体替换正确的三元组，组成错误训练样本集，并且合并到三元组集合中；获得其实体的边缘参数；获得关系的边缘参数；计算边缘参数随实体和关系进行变化的参数；得到新的基于传递关系的损失函数；进行判断并使用随机梯度下降函数SGD对每个实体或者关系向量进行优化；本发明可以弥补数据的不完全性，并能够更好地表达出关系与实体间潜在的不同语义，优化后所构建的新的知识图谱具有更高的准确率。

公开(公告)号：CN109840282A

公开(公告)日：2019-06-04

申请号：CN201910154244.8

申请日：2019-03-01

Applicant: 东北大学

Inventor： 王大玲 ,  王楚 ,  冯时 ,  张一飞

IPC: G06F16/36 ,  G06N7/02

Abstract: 本发明提出一种基于模糊理论的知识图谱优化方法，包括：获取训练集三元组数据，并对所有三元组数据预处理；基于模糊关系合成的知识图谱构建，获得知识图谱的模糊关系；基于损失函数，最小化目标优化函数，获得优化后的三元组向量，即为优化后的知识图谱的三元组集合。本发明使用模糊向量的运算方法来对各维训练数据进行运算，将模糊逻辑中赋予数据的语义信息与深度学习理论相结合，实验表明，采用本发明的基于模糊理论的知识图谱优化方法，所获得的知识图谱更加全面和准确，优化后的知识图谱在链接预测和三元组分类方面具有更高的准确率。

公开(公告)号：CN107679960A

公开(公告)日：2018-02-09

申请号：CN201710947454.3

申请日：2017-10-12

Applicant: 东北大学

Inventor： 王大玲 ,  沙丹丹 ,  冯时 ,  张一飞 ,  于戈

IPC: G06Q30/06 ,  G06F17/30

Abstract: 本发明公开了一种基于服装图像和标签文本双模态内容分析的个性化服装的推荐方法，包括以下步骤：S1：通过对购物网站的服装图像中的细节属性进行分析，建立以服装细节部位图像和特征形式描述的服装商品模型和用户喜好模型；S2：通过对购物网站的服装标签文本进行分析，建立以文本形式描述的服装商品模型和用户喜好模型；S3：将所述步骤S1建立的基于服装图像的服装商品模型和所述步骤S2建立的用户喜好模型相结合，产生推荐结果。本发明将服装的图像和文本信息进行结合，基于前述两个模型的融合，为用户进行个性化服装推荐。